摘要
行人重识别在于从多个独立相机拍摄的行人的图片/视频中利用计算机视觉的方法识别出相同身份的行人。行人重识别可以从低分辨率的环境下依靠行人独特的特征来区分出不同身份的行人，在智能安防、丢失人员寻找等领域有广泛应用场景。在实际场景中，行人往往会受到环境的影响（如周围物体的遮挡、光线的变化、拍摄角度的不同），如何有效学习合适的特征去判别行人的身份具有挑战性。为此，本研究将从不同角度出发探讨如何提取学习行人有效的高阶特征。 (1)跨模态行人重识别中由于行人图片模态不同导致大量信息缺失，为更加充分利用高阶行人信息，提出了一种基于图卷积网络和多跳注意力机制的行人重识别方法。将行人身体划分为若干关键点，利用关键点与关键点间的潜在关系构成图卷积网络中的图节点，利用多跳注意力机制自动加强/抑制某些区域特征，从而增强网络高阶行人特征提取。在多个数据集上验证了方法的有效性。 (2)航空视角下行人重识别方法存在模型参数过大和识别精度不佳问题，提出一种应用多阶段遮挡-生成蒸馏的轻量化模型。采用遮挡-生成机制构建了多阶段遮挡-生成蒸馏方法，将具有较大参数量的重量级网络所具有的强高阶特征学习能力传递给轻量级模型，在不增加轻量级模型参数量的前提下提升模型的高阶行人特征学习能力，同时设计的并行网络分支也比传统的串行网络结构对高阶行人信息有较强的学习能力。实验结果表明方法具有较好识别精度。 (3)设计开发了一个行人重识别分析原型系统，系统由前端行人采集模块和后端行人重识别分析模块组成。前端行人采集模块获取待测行人数据，系统将采集得到的行人信息传入到后端分析模块进行高阶特征识别，并将识别后的数据显示出来，随后构建了一个行人重识别数据集，用于验证方法在真实场景中的可行性。
NETL