视频人数统计->Re ID

行人检测–>行人重识别

行人再识别（Person Re-Identification，简称 ReID），从字面意思理解就是对行人进行重新识别，是对不同的、没有视野重叠覆盖的（non-overlapping）摄像机拍摄的行人图像建立对应关系的处理过程。当摄像头拍摄范围之间不存在重叠时，由于没有了连续信息，检索难度也随之增大非常多。因此，行人再识别强调的是在跨摄像机的视频中对特定行人进行检索。

是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。简单来说就是检测是不是这个人。
旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合 ，可广泛应用于智能视频监控、智能安保等领域。
思路：不能用人脸识别作为检测依据，因为人脸本身就小，还没有正脸，也不能用颜色进行检测，因为有色差，并且经常是灰度图处理方法！

先从人数统计做起，首先可以每个一段时间从视频中抽出来一帧作为输入图像输入到yolov3之中，然后输出图像+人框和统计出来的人数（这里对darknet.py进行了改进，本身输出的就是list，提取list中’person’项并统计输出
注：darknet也支持GPU加速的
yolov3可以在webcom上、在video上运行

然后就是进行重识别
现在思路就是把提取到的人框进行保存，然后利用cnn进行特征提取，进行不同信息源（不同的视频监控）之间提取人框的比对！最后输出统计之后的结果。
由于CNN可以自动从原始的图像数据中根据任务需求自动提取出表征特征，所以有些研究者把行人重识别问题看做分类(Classification/Identification)问题或者验证(Verification)问题：（1）分类问题是指利用行人的ID或者属性等作为训练标签来训练模型；（2）验证问题是指输入一对（两张）行人图片，让网络来学习这两张图片是否属于同一个行人。（能不能就简单的进行特征比对，利用cnn提取出来feature之后不用进行分类）这就是单纯利用ID信息，每个不同的人对应一个label ID，之后进行比对分类

以图找图这种方法是图像检索
在行人重识别问题上，具体为同一行人的不同图片相似度大于不同行人的不同图片。最后网络的损失函数使得相同行人图片（正样本对）的距离尽可能小，不同行人图片（负样本对）的距离尽可能大。