摘要
随着新冠疫情的蔓延，政府部门对公民进行流动调查成为了控制疫情关键的因素之一。而中国日益完善的监控体系，是整个社会安防体系的重要组成部分。在复杂的监控体系下，摄像头的参数不尽相同。伴随着监控范围的增大，行人的面部特征不容易被捕捉和分辨，因此需要结合全身特征进行分析，行人重识别在这种条件下提出。行人重识别任务基于特征匹配，将行人检测切割后的单个行人图片作为输入，从待匹配集中选取在其他摄像头下出现的同一身份图片。行人重识别任务面临着很大的困难:一是采集图片的低分辨率导致特征不清;二是光照影响下不能提取有效特征;三是遮挡和摄像机不同的视角导致特征提取不充分。从构成来看，行人重识别模型主要分为特征提取阶段以及特征匹配阶段，本文将对这两部分进行进一步的研究。 首先对于特征提取阶段，不同视角下相同行人的特征变化较大，在行人的移动中不可避免遇到遮挡。本文采用残差网络、姿态识别和模型变换等方法，提出基于姿态引导的特征提取网络(PIRA)的特征提取方法。在本方法中，首先对初始输入进行基于Resnet网络的特征提取。然后结合姿态引导生成人体关键点方法，分别提取出不同部位的特征图，将聚合的人体特征解耦。人体邻近部位的特征过渡平滑，将人体部位进行分组，并提出In-Rest模块，使得关于每个部位的特征图都融合近邻部位的信息，在特征匹配阶段提高整个模型的准确率。 其次为了解决特征匹配阶段行人特征不易对齐，差异较大的问题。本文提出基于图匹配的特征匹配方法。首先结合姿态引导特征的生成特点，对所有的特征图利用图匹配方法，得到待匹配的两张图片之间的特征差异。为解决特征匹配阶段初始排名不准确的问题，本文利用匹配结果的上下文信息来优化匹配排序结果，尽可能缩小采用的上下文范围，减少计算复杂度，提出基于m-缩小邻域的行人重识别方法。 最后本文结合行人重识别的三个大型公开数据集以及两个专门对于遮挡的数据集，对行人重识别整体模型进行实验，验证本模型较高的准确性。使用market-1501对重排序模型进行了参数实验和性能实验，验证了重排序模型的有效性。
NETL