基于深度学习的换衣行人重识别算法研究.pdfVIP

基于深度学习的换衣行人重识别算法研究

摘要

行人重识别旨在从不同摄像头中检索出相同身份的行人，是构建智能监控系统的关

键技术之一，在智能交通和智慧商超等领域有着重要的应用价值。近年来，深度学习算

法凭借强大的特征表示能力推动行人重识别取得了显著的性能提升。尽管如此，大多数

现有的行人重识别算法忽视了行人衣服改变的情况，在特征提取过程中过度依赖衣服中

的信息，当行人更换衣服时，这些算法的性能将急剧下降，难以满足实际应用的需求，

因此亟需加大力度研究适用于换衣情况的行人重识别模型。为此，本论文研究屏蔽衣服

特征、挖掘其他不变特征的方法，以完成极具挑战性的换衣行人重识别任务。针对该任

务，本文主要进行了以下两个方面的研究：

针对图像换衣行人重识别样本关系优化不足的问题，本文提出了一种基于样本关系

优化和重排序的图像换衣行人重识别模型。首先通过设计具有短路连接结构的

Transformer模型，将模型的初始特征与深层特征进行融合，进而优化一个样本的特征表

示。其次，在损失函数中引入圆损失，分别优化类内和类间相似性，在类内样本数量有

限的情况下，利用类外样本更好地提升模型性能。最后通过设计k-互近邻重排序策略，

对样本相似性排名进行重新排序，进一步提高重识别准确率。在公开通用的图像换衣数

据集LTCC上进行的一系列实验，证明了所提出的图像换衣行人重识别模型的有效性和

先进性。

针对视频换衣行人重识别模型存在时序信息提取不足的问题，本文提出一种外观-

运动联合学习的视频换衣行人重识别模型，全面探索和利用模型提取的外观和运动特

征。该模型包括两个子网络，分别为不变外观感知子网络和全局运动信息学习子网络。

其中，不变外观感知子网络通过构造一个衣服无关的特征选择模块，自动感知固有的外

观特征，不再需要额外的信息引导。另外，全局运动信息学习子网络首先构建了运动关

节时空图结构，进而建立人体关节点在帧内和帧间的联系，增强了关节间运动特征的相

互作用。然后设计了渐进式特征融合的图卷积网络，有效捕获关节间的全局运动信息。

最后使用关节关系全局映射操作精简图卷积特征，减少冗余特征的引入。在公开通用的

视频换衣数据集CCVID上进行的一系列实验，证明了所提出视频换衣行人重识别模型

的有效性和先进性。

关键词：换衣行人重识别；样本关系；Transformer；时空信息；图卷积网络

基于深度学习的换衣行人重识别算法研究

ABSTRACT

Personre-identificationaimstoretrievethesamepedestriansofthesameidentityfrom

differentcameras.Itisoneofthekeytechnologiesforconstructingintelligentsurveillance

systemsandhasimportantapplicationsinfieldssuchassmartsupermarketsandintelligent

transportation.Inrecentyears,deeplearningalgorithmshavedrivenremarkableperformance

improvementsinpersonre-identificationduetotheirpowerfulfeaturerepresentation

capabilities.Despitethis,mostexistingalgorithmsoverlookthecommonsituationwhere

pedestrianschangetheirclothes.Sincemostexistingalgorithmsrelyheavilyoninformation

fromclothingduringthefeatureextractionprocess,theirperformancedrasticallydeclines

whenpedestrianschangetheirclothes,makingitdifficulttomeetthene