Reid行人目标重识别和跟踪tracking

个人Reid进展

关于行人目标重识别和跟踪总体可分为：
1、detect部分
2、tracking部分
3、re-id 部分
而对于难度来说：
将会以以下几部分来展开：

detect部分

1、目前考虑detect部分可以采用的方式来看

简单的传统方式

HOG+SVM和前后背景分离后采用阴影面积大小来判定
当时使用HOG+SVM的滑动窗口的方式，效果不理想，产生误判，对HOG+SVM要求较高。
而采用背景建模的前后分离方式。
背景建模的分离移动物体，对夜晚效果不理想。

深度学习

two-stage
这个YOLO较多。
当然也可采用特定其他网络，哪怕你直接做滑窗进行判定也可。
求简易方式的话，YOLO较为简易。
one-stage
目前看来是Centernet

tracking可采用的方式

卡尔曼较多
当然也有采用KCF和某些滤波的形式

Re-id部分

关键部分其实是特征提取部分，唯有特征提取部分达到较好的结果，才有可能出现一个良好的re-id效果，而且对于遮挡来说有特殊网络对特征进行对齐后进行比较，对于一个re-id网络来说，使用的backbone的resnet50等等之类的提取feature 进行triplet loss 或 cicle loss

目前

就目前看来，每一个都很关键，而对于最重要的基础其实时detect部分，re-id部分作为辅助功能。

最近进展其实进展也没东西（花了2天写的）：
完成了一个半自动标定python脚本，利用的Yolo，face-cluster-framework,fastreid做的半自动化脚本工具。一直称Python不用介意。
测试过程中对于黑衣人归类并不是特别理想，对于后续标定工作人员来讲难度是否降低暂时未知。
可以得到的效果如下所示：
输出跳帧img frame
输出Label文件
输出归类id文件

04-06测试更新：
自动标注内容测试后，发现问题影响情况如下：
切勿指望，原有数据权重进行聚类分析，对于环境变化的鲁棒性极差，对于特定场景，如若特征明显即可自动分辨，但是实际情况容易受环境影响剧烈。
最好在一定程度上划定特定区域，对区域进行限定后进行检测，还有对于聚类后的特殊情况，如若出现仅仅只有一张的聚类必定为误聚类，其实受影响挺严重，后续逻辑需要进行筛选。