摘要
行人重识别（Person re-identification，ReID）是识别与检索跨摄像头跨场景下特定行人图像的一项技术，广泛应用在安防监控、案件侦查和智慧城市等多个领域。近年来，深度学习技术的迅猛发展，极大提升了行人重识别算法性能。但是，由于摄像头拍摄角度、光照变化、遮挡、样本量少等问题，行人重识别技术的研究仍然非常具有挑战性。本文基于深度学习技术，从模型设计和数据增强两个方面展开研究，搭建并训练了行人重识别模型。主要研究内容如下： （1）基于全局特征的行人重识别方法研究 针对行人重识别中因光照、姿态变化等使模型特征无法充分表达行人信息的问题，提出了基于全局特征的行人重识别方法。首先，使用改进的骨干网络R-ResNet50提取行人图像特征；其次，抽取网络不同尺度的特征层嵌入注意力机制DANet（Dual Attention Network），使模型更关注于行人身上的重点信息；最后，对提取出的关键特征进行多尺度特征融合，实现特征间的优势互补，并使用联合交叉熵损失、难样本采样三元组损失和中心损失的多损失函数策略训练网络模型。实验结果表明，该方法提取的行人特征更具有判别性，提高了行人重识别的准确率。 （2）基于全局特征与局部特征的行人重识别方法研究 针对全局特征容易忽略行人图像细粒度信息的问题，提出了基于全局特征与局部特征的行人重识别方法，该方法将网络结构分成了三个分支。首先，使用结合DANet与多尺度特征融合的全局分支提取行人图像全局特征；其次，研究了一种特征分块重组原理，分别以1：1和3：1的比例水平分割特征图，并基于此原理设计局部分支1和局部分支2，获得细节信息丰富的局部特征；最后，全局分支使用多损失函数策略，局部分支使用交叉熵损失函数和中心损失函数训练网络模型。实验结果表明，该方法能够有效提取行人图像的细节特征，进一步提高了识别准确率。 （3）基于数据增强的行人重识别方法研究 针对行人重识别数据集规模小，多样性低导致识别置信度不高、模型出现过拟合的问题，提出了基于数据增强的行人重识别方法。设计了改进循环生成对抗网络模型，通过模拟样本数据的分布生成行人图像，完成行人重识别数据集的扩充。使用扩充后的数据集训练基于全局特征与局部特征的行人重识别模型。实验结果表明，经过改进循环生成对抗网络扩充数据集后，不仅避免了深度学习中样本不足容易发生过拟合的问题，同时有效提升了行人重识别模型性能。
NETL