车辆重识别

这是一篇语言严谨优美，结构分明清晰，内容充实丰富的文章，特别值得一看。

题目：A Deep Learning-Based Approach to Progressive Vehicle Re-identification for Urban Surveillance

摘要：人的重识别得到高度关注，但是车辆作为一个重要目标却被计算机视觉领域忽略。大部分现有的车辆重识别方法实现了有限的表现，因为这些方法普遍只关注到车辆的外观特征而忽略了车辆的一些身份信息，比如车牌号。这篇文章中，我们提出了一种新型的基于深度学习方法的渐进式车辆重识别模型，简称“PROVID”。我们的方法将车辆重识别看作两个特定的渐进的搜索过程：在特征方面由粗到细的搜索，现实世界监控中由近及远的搜索。第一个搜索过程使用粗提取过滤器筛选车辆的外观特征，然后应用孪生卷积网络实现对车牌号的验证来准确的判断车辆。由近及远的搜索过程很像人类的重识别过程，依靠最近的摄像头和最近的时间信息来判断。此外，为了促进渐进式车辆重识别的研究，我们收集了最新的大规模数据集VeRi-776,数据集来自大规模城市监控视频，不仅包含大量各种各样特征的车辆图片，而且图片具有高分辨率，还具有足够的车牌号和时空信息标签。VeRi-776数据集显示了我们的方法较目前最新的方法更为优秀，mAP提高了9.28%。

1.引言

车辆作为城市视频监控中的重要对象，在计算机视觉研究领域吸引了大量关注，如检测，分类和姿态估计。然而，车辆重新识别（Re-Id）仍然是一个前沿但重要的话题，经常被研究人员忽视。 在给定探测车辆图像的情况下，车辆重识别的任务是在数据库中搜索包含由多个摄像机捕获的相同车辆的图像。车辆重识别在视频监控，智能交通和城市计算方面具有普遍应用，可以在大型监控视频中快速发现，定位和跟踪目标车辆。

与车辆检测，跟踪或分类不同，车辆Re-Id可以被发现为实例级对象搜索问题。在现实世界的车辆Re-Id中，这个问题可以通过渐进过程来处理。例如，如果监控想要在大量监控视频中找到可疑车辆，他们将首先通过外观特征（例如颜色，形状和类型）过滤掉大量车辆，以缩小搜索空间。然后，对于其余车辆，利用牌照来准确识别嫌疑人，如图1（b）所示。此外，搜索范围从近摄像机扩展到遥远，搜索周期从近距离延伸到远处。因此，时空信息也可以提供很大的帮助，如图2所示。现实世界的实践激励我们构建一个渐进式车辆Re-Id方法，其中包括两个渐进式搜索过程：（1）从粗 - 到 - 精细搜索特征空间; （2）在现实世界的时空环境中从近到远的搜索。