行人重识别(Re-ID)与跟踪(tracking)区别

最新推荐文章于 2023-05-13 13:40:47 发布
最新推荐文章于 2023-05-13 13:40:47 发布
阅读量1.6w 收藏 52
点赞数 5
分类专栏： 计算机视觉 文章标签： 行人重识别 Re-ID 目标追踪 行人追踪 tracking
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_21997625/article/details/80937694
版权

总结自：https://www.zhihu.com/question/68584669/answer/265070848

作者：陈狄

链接：https://www.zhihu.com/question/68584669/answer/326110383
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

从任务的角度来看，两者最主要的区别如下：

  • 行人再识别：给定一张切好块的行人图像 (probe image, 即图像大部分内容只包含这个人), 从一大堆切好块的图像 (gallery images) 中找到跟probe image中同一身份的人的图像。这些图像通常是由不同摄像头拍摄的不连续帧。
  • 行人跟踪：给定一张切好块的行人图像 (probe image), 从一段全景视频 (panorama track, 视野中只有一小部分是这个行人) 中找到 probe 所在的位置。这段全景视频是由单个摄像头拍摄的连续帧。
<img src="https://pic4.zhimg.com/v2-f0d33f0901e6fcdda2c91c42891af7d7_b.jpg" data-size="normal" data-rawwidth="718" data-rawheight="388" class="origin_image zh-lightbox-thumb" width="718" data-original="https://pic4.zhimg.com/v2-f0d33f0901e6fcdda2c91c42891af7d7_r.jpg"> 行人再识别（左）与行人跟踪（右）

在视频监控领域，我们的最终目标是要做到多目标跨摄像头跟踪 (Multi-target Multi-camera Tracking, 简称MTMC Tracking). 而行人再识别和行人跟踪都是为了达到这个最终目标的子任务。

<img src="https://pic1.zhimg.com/v2-bc7f0942b1393224d2e19221a85b1fe0_b.jpg" data-size="normal" data-rawwidth="617" data-rawheight="456" class="origin_image zh-lightbox-thumb" width="617" data-original="https://pic1.zhimg.com/v2-bc7f0942b1393224d2e19221a85b1fe0_r.jpg"> 从行人再识别 (Re-ID) 到跨时段跨摄像头跟踪 (MTMC Tracking)

简单画了个图~ 如上，Re-ID 在图中的第三象限，处理的是静态图像，并且是已经切好块的patch.

然而在实际应用中，摄像头拍摄到的都是全景图像，于是就需要加入行人检测 (Pedestrian Detection) 技术，从全景图像中找到行人的位置，再将包含行人的图像块切出来。此时就形成了位于第二象限的新任务：行人搜索 (Person Search).

行人搜索处理的对象依然是静态图像，在实际应用中摄像头拍摄到的通常是动态的视频。如果能将时序信息 (Temporal Information) 利用起来，加上行人跟踪 (Tracking) 技术，特别是 Tracking by Detection 技术，就能大致实现位于第一象限的最终目标 MTMC Tracking.

另一方面，在 Re-ID 的基础上，如果不考虑行人检测，直接将时序信息利用起来，就形成了位于第四象限的任务：基于视频的行人再识别 (Video-based Re-ID), 有时也被称作 Multi-shot Re-ID. 同样地，将这个任务扩展到全景视频上也能够达到最终目标。

目前大量的工作都集中在第三象限的 Re-ID 上，相比之下 Person Search 和 Video-based Re-ID 的工作就少了很多。直接解决 MTMC Tracking 的工作更是少之又少。各位同僚们一起努力吧~


别说话写代码
关注
  • 5
    点赞
  • 踩
  • 52
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
probe-image-size:无需完全下载即可获取图像大小。 支持的图像类型
04-29
探针图像大小 无需完全下载即可获取图像大小。 支持的图像类型：JPG，GIF，PNG，WebP，BMP，TIFF，SVG，PSD，ICO，AVIF，HEIC，HEIF。 主要特征： 体积小，无严重依赖 处理远程和本地数据 适用于大图像（速度/内存），可从遥控器下载最少的数据 易于浏览（拆分为组件） 安装 npm install probe-image-size 例子 const probe = require ( 'probe-image-size' ) ; // Get by URL let result = await probe ( 'http://example.com/image.jpg' ) ; console . log ( result ) ; // => /* { width: xx, height: yy, type: 'jpg',
Face & eye detection--Eye_tracking_faceeye_面部识别；眼睛识别；跟踪_matlab_源
10-03
面部识别跟踪和眼睛识别跟踪算法，利用matlab实现，包含多幅图片
detection-and-tracking:自主对象跟踪
05-16
检测与追踪 NTNU工程控制论硕士学位论文库，2018年。 标题：遥控武器站的自主目标检测和跟踪 意图 为远程武器站（RWS）检测并跟踪摄像机视频中感兴趣的目标。 方法 将精确的检测器与快速跟踪器结合在一起。 感兴趣的方法： 基于深度学习的检测器 基于点的跟踪器 动机/设计 如果检测器处理的帧慢于视频帧速率，则在两次检测之间将跳过许多帧-并且在呈现时，检测也将是几帧“旧”。 一种解决方案是缓冲跳过的帧，并使用足够快的跟踪器重新跟踪此缓冲区，以使检测与当前帧相关。 实现host/tracking-app.py是一个自主跟踪器-实时跟踪器，具有来自深度学习检测器的定期更正。 软件架构 TensorFlow： OpenCV： 硬件 主机：台式机（可选的CPU / GPU，取决于TensorFlow发行版） 目标：Nvidia Jetson TX（未来工作）
Reliable-Re-detection-for-Long-term-Tracking
05-18
长期跟踪的可靠重新检测 长期跟踪中的可靠重检测中提出的重检测框架代码 重新检测跟踪器基于装订，而深度重新检测跟踪器将HCF作为基准。 对于重新检测跟踪器，只需启动Matlab并运行runTracker.m即可。 要运行后者的深度重新检测跟踪器，请下载VGG-19并按照自述文件中的说明编译Matconvnet。 该代码包括一个用于长期跟踪的通用框架。 您可以轻松地合并自己的基于DCF的跟踪器。 关于速度和性能： 由于我们的框架重新利用了基线跟踪器进行重新检测，因此速度与基线方法密切相关。 仅通过手工制作的功能，重新检测跟踪器就可以在单个CPU上达到40 FPS以上。 在不同的机器上，跟踪性能可能会略有不同（小于1％）。 这是由于可能随时间累积的较小数值效应以及由粒子滤波器引起的随机误差。 增加粒子数后，性能将略有改善，并且更加稳定。 接触 如果您有任何疑问，请随时联系 稍后将介绍
人脸识别、行人ReID图像分割
05-27
Human parsing has been extensively studied recently (Yamaguchi et al. 2012; Xia et al. 2017) due to its wide applications in many important scenarios. Mainstream fashion parsing models (i.e., parsers) focus on parsing the high-resolution and clean images. However, directly applying the parsers trained on benchmarks of high-quality samples to a particular application scenario in the wild, e.g., a canteen, airport or workplace, often gives non-satisfactory performance due to domain shift. In this paper, we explore a new and challenging cross-domain human parsing problem: taking the benchmark dataset with extensive pixel-wise labeling as the source domain, how to obtain a satisfactory parser on a new target domain without requiring any additional manual labeling? To this end, we propose a novel and efficient crossdomain human parsing model to bridge the cross-domain differences in terms of visual appearance and environment conditions and fully exploit commonalities across domains. Our proposed model explicitly learns a feature compensation network, which is specialized for mitigating the cross-domain differences. A discriminative feature adversarial network is introduced to supervise the feature compensation to effectively reduces the discrepancy between feature distributions of two domains. Besides, our proposed model also introduces a structured label adversarial network to guide the parsing results of the target domain to follow the high-order relationships of the structured labels shared across domains. The proposed framework is end-to-end trainable, practical and scalable in real applications. Extensive experiments are conducted where LIP dataset is the source domain and 4 different datasets including surveillance videos, movies and runway shows without any annotations, are evaluated as target domains. The results consistently confirm data efficiency and performance advantages of the proposed method for the challenging cross-domain human parsing problem. Abstract—This paper presents a robust Joint Discriminative appearance model based Tracking method using online random forests and mid-level feature (superpixels). To achieve superpixel- wise discriminative ability, we propose a joint appearance model that consists of two random forest based models, i.e., the Background-Target discriminative Model (BTM) and Distractor- Target discriminative Model (DTM). More specifically, the BTM effectively learns discriminative information between the target object and background. In contrast, the DTM is used to suppress distracting superpixels which significantly improves the tracker’s robustness and alleviates the drifting problem. A novel online random forest regression algorithm is proposed to build the two models. The BTM and DTM are linearly combined into a joint model to compute a confidence map. Tracking results are estimated using the confidence map, where the position and scale of the target are estimated orderly. Furthermore, we design a model updating strategy to adapt the appearance changes over time by discarding degraded trees of the BTM and DTM and initializing new trees as replacements. We test the proposed tracking method on two large tracking benchmarks, the CVPR2013 tracking benchmark and VOT2014 tracking challenge. Experimental results show that the tracker runs at real-time speed and achieves favorable tracking performance compared with the state-of-the-art methods. The results also sug- gest that the DTM improves tracking performance significantly and plays an important role in robust tracking.
使用 FairMOT 进行目标跟踪和重识别
@bangbang的博客
05-13 667
可以说，基于深度学习的多目标跟踪(MOT)最关键的任务不是识别目标，而是在遮挡后重识别。有大量的跟踪器可供使用，但并非所有跟踪器都有良好的重新识别 pipeline。在这篇博文中，我们将重点介绍一个这样的跟踪器FairMOT，它彻底改变了跟踪中检测和重新识别任务的联合优化。
目标跟踪概念、多目标跟踪算法SORT和deep SORT原理
热门推荐
记忆碎片的博客
05-29 1万+
文章目录目标跟踪、单目标跟踪、多目标跟踪的概念在线多目标跟踪sort算法原理SORT算法过程简述估计模型（卡尔曼滤波跟踪器） 目标跟踪、单目标跟踪、多目标跟踪的概念 目标跟踪分为静态背景下的目标跟踪和动态背景下的目标跟踪。 静态背景下的目标跟踪: 静态背景下的目标跟踪指摄像头是固定的，其采集的视野中背景是静止的，如在十字路口的固定摄像头。 动态背景下的目标跟踪: 摄像头采集的视野中背景和目标都是在...
论文阅读笔记《Image Deformation Meta-Networks for One-Shot Learning》
深视
05-26 2093
核心思想   本文是通过数据增强的形式实现小样本学习任务，采取的方式比较直接，通过对图片进行变形来实现数据集的扩充。作者首先为我们展示了一组图片，如下图所示 可以看到上述图片虽然经过了多种变形（如虚化，拼接，遮挡），但由于依旧保留了重要的语义信息，我们还是非常容易地识别图片中物体的类别。受此观察的启发，作者希望对数据集中的图片进行变形，在不破坏主体语义信息的前提下，增加图片的数量，实现数据集扩充的效果。那么如何对图像变形，才能既不损失语义信息（变化太大容易导致语义信息的损失），又能起到数据增强的作用呢（变
PCA-人脸识别
KatharinLin的博客
02-27 787
Face Recognition Challenge 人脸识别基本步骤 PCA算法简介 PCA在人脸识别中的应用 PCA算法 直接应用的问题 Project 训练阶段 测试阶段 k的测试 Face Recognition Given a database of face images of people, and a new test image, answer th...
Gallery 和probe数据集
良知，自由
10-19 5147
Gallery 和probe数据集
计算机视觉：人体识别与跟踪（People Recognition and Tracking）
最新发布
06-11
该项目是基于yolov3和deepsort算法实现的人体的识别与跟踪，在NX上实测可以达到20-30FPS，博主是在github开源项目（https://github.com/Stephenfang51/tracklite）的基础上进行修改而来。 算法的基本原理如下： （1）YOLO是使用整张图像作为输入，经过一个CNN网络模型，再通过非极大值抑制算法实现end-to-end的目标检测。它将目标检测问题处理成一个位置回归和类别分类问题，算法简洁高效。 （2）DeepSort跟踪算法通过卡尔曼滤波器得到物体下一帧位置的最优估计，再利用匈牙利算法匹配得到相邻帧的对应ID。 资源包括：原github代码和修改后的稳定版代码。 最后欢迎大家积极点赞和评论，博主会定期回复！
Multi-Camera-Person-Tracking-and-Re-Identification:跟踪和重新识别不同摄像机视频中的个人的简单模型。（Yolov3和Yolov4）
05-25
多摄像机人员跟踪和重新识别（使用视频） 用于“检测/跟踪”和“重新识别”不同摄像机/视频中的个人的简单模型。 介绍 该项目旨在跟踪不同角度的视频中的人。 用于完成此任务的框架分别依靠MOT和ReID来跟踪和重新标识人类的ID。 可以使用YOLO_v3或YOLO_v4来完成跟踪，并且ReID依赖于KaiyangZhou的Torchreid库。 安装 如果您的计算机上未安装 ，请下载 克隆存储库 git clone https : // github . com / samihormi / Multi - Camera - Person - Tracking - and - Re - Identification 创建项目环境 cd Multi - Camera - Person - Tracking - and - Re - Identification conda create
动态目标跟踪与识别技术的研究与实现
07-01
做的一个人脸识别的小项目，包括对人脸的轮廓检测，视频中的人脸检测
智能监控系统中活动相关性分析与行人再识别研究
04-19
智能监控系统中活动相关性分析与行人再识别研究
基于PYTHON的行人检测与轨迹追踪
12-10
行人检测追踪系统利用OpenCV中预先训练好的HOG+线性SVM模型（也可自己训练HOG+线性SVM模型）对视频中的行人进行检测，利用追踪算法绘制出行人的移动轨迹。整个系统用python实现，并用wxpython实现了GUI。
深度可分离卷积Depthwise Separable Convolution
别说话写代码的博客
02-12 9056
参考：https://blog.csdn.net/u011974639/article/details/79199306 深度可分离卷积在MobileNet和Xception中出现过，这里只是理解卷积过程，不涉及MobileNet和Xception。 通俗来说，深度可分离卷积就是：把标准卷积分解成深度卷积(depthwise convolution)和逐点卷积(pointwise convol...
基于resnet34的unet
别说话写代码的博客
02-02 7381
pytorch版本：https://blog.csdn.net/github_36923418/article/details/83273107 keras版本：https://blog.csdn.net/m0_37477175/article/details/83861678
感受野大小计算、卷积参数量与计算量、空洞卷积计算量与参数量
别说话写代码的博客
05-05 4598
感受野大小计算 这是 自顶向下方法，也就是从后面向前面计算，初始rf=1 比如conv1(f=3x3,s=2), conv2(f=3x3,s=2), conv3(f=3x3,s=1),从后向前 最后一层每个点rf=1，(1-1)x1+3=3,也就是最后一层结束每个点的感受野是3 倒数第二层 , (3-1)x2+3=7,最后一个点映射到第二层是7的感受野 底数第三层，(7-1...
帮我推荐最新的行人重识别sailency综述
05-24
以下是一些最新的行人重识别和行人显著性检测方面的综述： 1. "A Survey on Pedestrian Re-Identification and Behaviour Analysis"，作者：K. Nisha，P. Nallaperumal，R. Sivakumar，S. R. Balasundaram，发表于2021年的期刊《Journal of Ambient Intelligence and Humanized Computing》。 2. "A Comprehensive Survey on Pedestrian Detection, Tracking, and Re-identification"，作者：Y. Zhang，G. Wang，J. Wang，X. Liu，X. Zhao，S. Liu，发表于2021年的期刊《IEEE Access》。 3. "A Comprehensive Survey of Pedestrian Detection and Re-identification"，作者：H. Li，L. Zhang，S. Wang，T. Wang，发表于2020年的期刊《Neurocomputing》。 4. "A Comprehensive Survey of Pedestrian Detection and Re-identification in Urban Surveillance Systems"，作者：X. Chen，Y. Yang，G. Huang，发表于2020年的期刊《IEEE Transactions on Intelligent Transportation Systems》。 5. "A Survey on Human Detection, Tracking and Re-identification in Video Surveillance"，作者：M. H. Rohith，S. K. Prasad，S. J. Prabhu，发表于2019年的期刊《IET Computer Vision》。 希望这些综述对你有所帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值