翟懿奎 陈璐菲

(1. 五邑大学信息工程学院，广东江门 529020; 2. 广东省海量生物特征信息处理工程技术研究中心，广东江门 529020)

1 引言

行人再识别技术是指在无重叠监控摄像中，检索某个监控摄像头拍摄到的某个行人是否在其他监控摄像中出现。由于监控摄像拍摄得到的图像分辨率低，且拍摄视角和行人姿势发生变化、拍摄背景复杂，导致同一行人在不同监控摄像中的外观不同，因此行人再识别问题是一个具有挑战性的问题。为有效解决这些问题，目前广大研究者关于行人再识别算法提出的解决方法主要集中在特征表示和度量学习两方面，其中特征表示方法[1-10]，提取具有鉴别能力且对视角和光照不变的特征；度量学习方法[11-18]，利用机器学习方法学习两张行人图像的相似度度量函数，使得相关行人对的相似度高。

特征表示方法主要是提取图像颜色和纹理特征，Gray和Tao[1]将行人图像分割成水平条纹，再利用RGB、HS、和YCbCr颜色特征，并在HSV的亮度V通道处使用21个纹理滤波器，并用Adaboost挑选出较好的特征，但该方法特征不能有效解决视角问题。Fa-renzena等[2]提出局部特征对称性积累(symmetry-driven accumulation of local feature, SDALF)方法，利用行人对称性与非对称性减少背景干扰，以增强视角变换的鲁棒性。Zhao等[3]提出显著特征，并将行人特征划分成重叠小块，提取每块显著颜色特征与局部不变特征。但在姿态变化的情况下显著性区域会出现偏移或消失，导致识别效果差。Das等[4]提出一致性再识别网络(Network Consistent Re-identification, NCR)框架，并提取行人的头、躯干和腿部HSV直方图特征。……