张金鑫，陈毅，尤鸣宇

（同济大学电子与信息工程学院，上海 201800）

0 引言

随着现代社会的高速发展，社会公共安全得到了人们的重点关注。尤其是在商场、学校、医院、地铁站等人群密集并且容易发生公共安全事件的场所，大量的监控摄像系统得到应用[1]。行人是监控视频中的主体，对于行人图片的分析可以应用于刑侦取证、行人追踪等方面，这对社会安全、城市建设有着重要的意义。不同于较成熟的人脸识别技术，行人再识别技术面对如下挑战：①所识别的图片从监控摄像头下获得，图片中行人的分辨率较低、局部信息模糊；②不同摄像头的拍摄角度不同，行人在不同摄像头下姿态也会发生变化。

深度学习正在受到广泛关注，神经网络也被应用到了多个领域[2]。行人再识别的特征主要有：①低层的视觉特征：常见的颜色特征，如颜色直方图、纹理特征，如尺度不变特征(Scale-invariant feature transform ,SIFT)[3]等。②中层语义特征：如行人的发型、服装类型等。Perina A[4]等人提出通过基于人身体对称性的特征提取方法。③深层特征：主要是指通过深度神经网络提取的特征。Michael Jones[5]等人建立一个深度神经网络结构，将行人再识别问题看作是分类问题，通过计算输入图像和样本特征图的差异，判断两个图像是否是同一个行人。

在行人再识别重排序方面，Zhong等人[6]提出了基于k阶导数编码的方式，对需要检测的候选集(gallery)中的图片进行重排序，使得识别结果有所提升。Wang等人[7]通过结合文本特征和视觉特征，在线下学好语义特征，然后通过比较语义特征的距离来进行重排序操作。

本文主要工作如下：

（1）提出了基于残差神经网络(Residual Network,ResNet)和特征归一化模块(Feature Normalization,FN)的新型行人再识别模型，并对网络结构进行详细介绍。

（2）通过语义分割网络(Refinement Network,RefineNet)自动裁剪行人上衣，计算上衣RGB颜色直方图相似度后，对原有行人排序结果进行微调。

（3）通过实验对模型的识别性能进行评估，实验证明，本文提出的算法可以达到更好的识别效果。

1 行人再识别模型

本文模型结构将50层残差神经网络(ResNet50)和特征归一化(FN)模块相结合。其中，ResNet50包括5个卷积模块，每个卷积模块包含不同个数的残差单元。结合特征归一化(FN)模块后，本论文提出的模型结构如图1所示。

1.1 残差神经网络

随着深度学习的发展，神经网络模型的深度不断增加。实验结果证明，单纯地增加网络深度会带来梯度消失或爆炸和准确率下降等问题。对于梯度消失或爆炸，可以使用归一化来解决，对于准确率退化，可使用残差神经网络(ResNet)来解决[8]。

ResNet是由残差模块(Residual block)构建的，该模块中增加了恒等映射(identity mapping)。假定输入是x，输出的实际映射是H(x)，若通过堆叠的多层非线性网络层去拟合映射关系F(x)=H(x)-x，那么实际的映射H(x)即可表达为F(x)+x，而F(x)+x可以通过“捷径连接（shortcut connections）”的向前神经网络实现。浅层的残差模块如图2所示。

图1 本论文提出的模型结构Fig.1 Structure of the model in this paper

图2 浅层残差模块Fig.2 Shallow residual block

浅层的残差模块由两层组成，即

其中σ表示非线性函数ReLU，之后输入与输出进行元素依次(element-wise)叠加，这个简单的加法不会增加额外参数和计算量，却可以大大增加模型训练速度。期望输出：

相比于利用堆叠的多层非线性网络层去拟合恒等映射H(x)，该模块旨在使残差F(x)最小化，这样整个ResNet只需要学习输入、输出差别部分，简化了学习难度。

1.2 特征归一化

批量归一化(BatchNormalization，BN)是由Google于2015年提出，这是一个深度神经网络训练的技巧，它不仅可以加快模型的收敛速度，更重要的是缓解了深层网络中“梯度弥散”的问题，从而使得训练深层网络模型更加容易和稳定。而特征归一化(FN)是BN的特殊形式[9]。

在模型训练过程中，一旦网络某一层的输入数据的分布发生改变，那么该层就将学习新的数据分布。训练过程中，网络各层输入数据的分布一直在发生变化，并且每一层所需要的学习率不一样，通常需要使用最小的那个学习率才能保证损失函数有效下降，而学习率过小将影响网络的训练速度。BN算法就是将每一层的数据都归一化为均值μ为0、方差为1的分布，数据分布也更加稳定，因此可以使用较大的学习率进行训练，使网络加快收敛，提高训练速度。

FN是BN的特殊变体。在深层神经网络中，经过多层卷积网络操作后，尤其是经过最后一层池化层(Pooling)之后，特征的分布可能会改变。因此，为了减小在损失计算阶段未归一化特征的影响，本文引入特征归一化。

1.3 融合损失函数

行人再识别模型可以分为验证模型(verification model)和识别模型(identificationmodel)两种。验证模型（即辨别两张图片是否为同一个人）显式考虑了两张图片样本之间的相似度，但没有充分利用所有的标签信息。而对于识别模型来说，仅仅着重考虑了类间差异。

为了保证类内数据在高维空间的相似性，以及区分类间数据彼此间的差异，本论文提出的模型将验证损失和识别损失相结合。在赋予不同的权重值之后，两者在反向传播时一同更新网络权值参数，如图3所示。

验证损失函数(verification lossfunction)的公式为：

其中s是验证类别（同/不同人），是网络输出判断为同一人的概率，如果输入两张图片为同一人，则q1=1，q2=0，否则q1=0，q2=1。

图3 本论文模型的损失函数Fig.3 Loss function of the model

识别损失函数(identification lossfunction)公式为：其中t是身份标签（ID），是网络输出某一ID概率，若图片与目标ID匹配，则=1，否则为0。

本文使用的损失函数是验证损失与识别损失(identification loss)的融合。损失函数为：

本文在实验中设置权重参数β=0.5，α=1，两者在反向传播时一同更新网络权值参数。

2 基于颜色特征的重排序

2.1 语义分割模型

图像由许多像素（pixel）组成，语义分割将像素按照图像中表达语义的不同进行分割(segmentation)。图像语义分割实际上就是预测每个像素点的类别，本质上也可以认为是稠密的像素点分类（需要预测每个像素点的类别）。

由于行人的姿态多变、衣服形状不规则，因此传统的图像处理方法并不能将上衣分割出来。为了能准确将不规则上衣裁剪出来，本文考虑使用语义分割模型来完成。

Lin等人[15]提出了精炼神经网络(Refinement Network, RefineNet)来实现高精度的语义分割任务，该模型目前在PASCAL VOC数据集上取得了最好的效果。该论文提出的网络模型可以分为两部分。其中向下的通道以ResNet为基础，逐步降采样的同时提取语义特征，向上的通道使用了新提出的RefineNet作为基础，通过逐步上采样特征恢复细节信息。基本的框架如图4所示。

RefineNet包含了三个组成部分：残差卷积单元(Residual Conv Unit)、多尺度融合(Multi-resolution Fusion)、链式残差池化(Chained Residual Pooling)。具体结构如图5所示。

图4 语义分割模型结构Fig.4 The structure of semantic segmentation model

图5 RefineNet架构Fig.5 The structure of Refinenet

其中，残差卷积单元是从残差网络中提取出来的单元结构。多尺度融合通过对较低分辨率特征进行上采样操作，来融合多分辨率特征。链式残差池化通过步幅为1、大小为5×5的重复池化层来获取背景信息。

2.2 重排序算法

颜色特征描述了图像区域所对应的景物的表面性质。最常用的颜色空间是RGB颜色空间，它以R(Red)、G(Green)、B(Blue)三种基本色为基础。颜色直方图是最常用的表达颜色特征的方法，其优点是对图像旋转和平移变化具有较强鲁棒性。同时，结合归一化模块，能够进一步降低其对图像尺度变化的敏感程度。

颜色直方图能简单描述不同色彩在整幅图像中所占的比例，特别适用于描述自动分割的上衣图像、其优点在于不需要考虑物体的空间位置。将行人的上衣裁剪后，本文对每个人上衣的颜色特征进行统计，得到各自的上衣RGB颜色直方图，每张图片对应唯一一幅RGB颜色直方图。

在计算颜色直方图时，本文按照0-255像素值将颜色空间划分成256个小区间，之后统计每个小区间中像素个数，并进行归一化操作，从而形成R、G、B通道上3个1*256的向量。计算两张图片颜色直方图的欧氏距离，获得新的排序，欧氏距离越小，相似度越高，两张图片越相似。

图6 重排序流程Fig.6 The process for re-ranking

算法2：重排序算法

输入：ResNet50模型得到的list_resnet，上衣图像RGB直方图

输出：最终行人再识别结果list_final

过程：

（1）对于query和test中所有图片计算RGB颜色直方图

（2）RGB直方图转化为向量，依次获得相似度k

（3）根据k从大到小重新排序得到新列表list_RGB

（4）对于原先的list_resnet进行微调（若list_RGB中A图片与query相似度较高，则将list_resnet中的A图片排序向前进1位）

（5）返回list_final

3 实验和结果分析

3.1 行人再识别数据集

Market1501数据集[16]是目前最大的基于图像的行人再识别数据集，包含1501人的32668幅行人样本，由6个不同视角的摄像头拍摄得到。这些行人图像由可变形的部件模型( Deformable Part Model, DPM)检测器检测得到。数据集分成训练集和测试集2部分。训练集包含751人，共12936幅图像。测试集包含750人，共19732幅图像。

CUHK03数据集[17]是行人再识别中使用最为普遍的数据集，是目前较大型的基于图像的公开行人再识别的数据集。该数据集被分为训练集和测试集两部分，训练集中包含767人，测试集中包含700人。该数据集提供 detected 和labeled 两套数据集，detected 数据集由 DPM 检测器检测得到，会含有一些误检和错检的目标，较贴近真实生活，而 labeled 数据集较理想。

3.2 评价指标

在行人再识别研究中，本文对所有的数据集采用两种评价指标，即匹配准确率rank-k（k一般为1、5、10）和中间平均准确率mAP。行人再识别任务类似于图像检索问题，行人再识别任务就是要将查询集（query）中每一张图片，在候选集（gallery）中找到最相似的图片。rank-k就表示查询集的行人图片在候选集中相似度最高的前k张图片中包含该查询行人的概率。

中间平均准确率mAP则反应了算法在整个测试集上的平均性能。计算公式为

其中，R表示召回率，P(R)表示在召回率为R时的准确率。mAP同时考虑了准确率和召回率，因而是一个更加综合的评判标准。

3.3 实验模型与结果分析

本论文全局特征提取模型在深度学习框架Caffe上搭建，通过语义分割模型裁剪上衣的工作，在深度学习框架Matconvnet上完成。

3.3.1 模型搭建

假设输入是224×224的图片，ResNet50网络每层的输出特征大小和卷积核大小见表1。

在ResNet50中，采用的残差卷积单元是三层残差模块，将两层残差模块中的两个1×1卷积层替换为1×1、3×3、1×1卷积层，首端和末端的1×1卷积主要用来降低和恢复维度。

在全连接层(fc)前添加FN模块后，本文的网络结构如表2所示：

表1 ResNet50网络结构Table1 Structure of ResNet50

表2 本论文网络结构Table 2 Structure of our model

3.3.2 结果分析

在使用本文模型对输入图片进行特征提取之后，需要对query图片特征和test图片特征进行距离的度量，计算相似度之后获得初始相似度排名。本文在实验中将使用欧氏距离Euclidean Distance(Eu)、KISSME[18]、XQDA(Cross-view Quadratic Discriminant Analysis)[19]三种距离度量算法。在 Market1501、CUHK03(detected)、CUHK03(labeled)数据集上的结果如表3、表4、表5所示。

表3 Market1501上结果(%)Table 3 Results on Market1501

表4 CUHK03 detected结果(%)Table 4 Results on CUHK03 detected

表5 CUHK03 labeled上结果(%)Table 5 Results on CUHK03 labeled

从表格中可以看到，本文提出的加入特征归一化模块的模型，取得了比ResNet50初始模型更高的识别准确率。

而在通过语义分割得到上衣图片后，本文以上衣RGB颜色直方图为依据，对全局信息获得的初始序列进行调整。图7展示了重排序之后的实际效果。

图7 重排序效果展示Fig.7 The display of re-ranking results

对于A行人，在测试集中原先检出的正确图片序号为1、3、4，在使用重排序算法微调后，正确检出图片序号为1、2、3、4。尤其对于错检的2号图片，其上衣颜色特征与A行人有着细微差别，重排序算法准确识别出来并将其匹配位置向后移动一位。对于B行人，在测试集中原先检出的正确图片序号为2、3、5，在使用重排序算法微调后，正确检出图片序号为1、3、4。很显然重排序算法有助于更准确地在gallery数据集中找到与query匹配的图片。

之后本文在Market1501和CUHK03数据集上的实验，再次验证重排序算法的有效性，实验结果如表6、表7、表8所示。

表6 Market1501上重排序后结果(%)Table 6 Results on Market1501 after re-ranking

表7 CUHK03 detected上重排序结果(%)Table 7 Results on CUHK03(detected) after re-ranking

表8 CUHK03 labeled上重排序结果(%)Table 8 Results on CUHK03(labeled) after re-ranking

从上述表格中可以看到，本文模型+KISSME度量方法取得了最优准确率。将本文实验结果与其他行人再识别论文实验结果进行对比，可以进一步验证本论文算法的优越性能。对比结果如表9、表10所示。

4 结语

本文提出一种基于残差神经网络(ResNet50)和特征归一化(FN)的行人再识别模型，能够提取显著性的行人特征。同时，分离出的上衣部分可有效降低背景和姿态变化对行人的影响，利用其颜色直方图进行重排序，可进一步提高识别精度。本文对后续行人再识别工作具有一定的启发作用，即可以从全局和局部两方面进行信息提取，提高识别精度。未来的研究工作将结合更多行人局部信息，将重排序算法嵌入神经网络模型中，实现端到端的训练和测试，进一步提高识别准确率。

表9 Market1501上其他论文结果 (%)Table 9 Other results on Market1501

表10 CUHK03上其他论文结果 (%)Table 10 Other results on CUHK03