詹敏　王佳斌　邹小波

摘要：该文提出了基于自适应度量学习（AML）的行人再识别方法。与正常处理所有负样本的常规度量学习方法不同的是，AML将负样本自适应地分为三组，并对它们给予不同的关注。通过加强负样本的影响，AML可以更好地挖掘正样本和负样本之间的辨别信息，从而生成更有效的度量。此外，我们还提出了探针特定重新排名（PSR）算法来改进由度量学习得到的初始排名列表。对于每个探针，PSR构建相应的超图以捕获探针和其排名前100的图库图像之间的邻域关系。然后基于它们在超图中的邻域亲和力来重新排列这些图像。其中对公共数据集VIPER数据集的实验证明了AML和PSR的良好的鲁棒性和优越性。

关键词：行人再识别；自适应度量学习；负样本；探针特定重新排名

中图分类号：TP391

文献标识码：A

文章编号：1009-3044（2017）10-0159-03

1.概述

行人再识别指的是从给定由一个相机捕获的行人探测图像或从其他相机获取的一组图库图像中识别目标人的任务。由于其在多相机监视中的重要性，近年来该问题已经获得越来越多的关注。然而，同一个人在不同相机下往往具有不同的外观变化和不同行人的视觉模糊性使得行人重识别是一项具有挑战性的任务。

关于行人再识别的现有工作大致可以分为两组。第一组的方法是设计针对交叉相机变化鲁棒的特征表示。其中代表特征的描述符包括SDALF，saliency，SCNCD，MLF和LO-MO。然而，在面对诸如照明，视角，姿势和遮挡等问题时交叉相机变化是不变的，而且对于视觉模糊性而言足够区别的特征描述符是极其困难的。……