一. 问题的提出
Person Re-ID 全称是 Person Re-Identification,又称为 行人重检测 or 行人再识别,直观上可以通过两种思路进行比对,一种是 通过 静态图像(still-image)进行特征比对,另一种是通过视频的时序特征(temporal)进行 Video Re-Id。
不管是采用 图像特征比对的方法 还是 结合时序特征比对的方法,这里面有以下几个问题很大程度上影响作用效果:
1. 目标遮挡(Occlusion)导致部分特征丢失;
2. 不同的 View,Illumination 导致同一目标的特征差异;
3. 不同目标衣服颜色近似、特征近似导致区分度下降;
基于上述三个问题,人们提出了很多解决方案,主要Focus在以下几个方面:
a)提取更适合表征人体的特征,比如 color&LBP,Gabor,HOG3D,CNN等;
b)选择合适的距离度量函数,L2 norm,马氏距离等;
c)通过训练的方法(比如SGD、Adam)进行参数训练,或者空间映射,使得类内距离(intra dist)更小,类间距离(inter dist)更大。
二. 相关工作
根据上面提出的问题,我们知道问题聚焦在两个关键点,一是提取良好的特征,二是 选择合适的距离度量函数。
关于特征选择的方法比较多,上面也提到了,可以 refer 典型方法的目录索引。
2.1 特征提取
颜色空间:RGB、HSV、LAB、XYZ、YCbCr、ELF、ELF16
纹理空间:LBP、Gabor
专用特征:LDFV、ColorInv、SDALP、LOMO
2.2 距离度量
关于距离度量有 LFDA、MFA、LMNN、LADF 等(其他 L1 norm,L2-norm 都是早期的方法,可以不看):
马氏距离:Mahalanobis distance learning for person reidentification
2.3 CNN方法
Pair Wise方法(成对比较): FRNN、Ahmed et al、Siamense
逐对比较方法受对比次数影响,在训练和计算时 Candidate较大时计算量会很大。
Feature 提取:FFN、Multi-Channel Parts-Based CNN
通过CNN提取特征,并结合距离函数的改进,是引入深度学习的一个主流方法(后续我们展开讨论),实际上,CNN特征提取方法通过一系列的权值,实现了关键特征抽取,比如受 Pose、View、Illuminate影响较小的特征,比如通过 将轮廓外的权值置0,就起到了去除背景噪声的效果,当然我们不知道所提取的特征代表了什么,但这并不影响我们对于CNN方法的使用。
2.4 CNN特征简介
CNN For Re-Id的文献比较多:
FPNN
论文全称: