李粘粘

(昆明理工大学 信息工程与自动化学院，云南 昆明 650500）

0 引言

行人再识别（Person Re-identification，ReID）是指在不同摄像机拍摄的图像库中寻找指定的行人[1-2]，对于安防监控领域尤为重要。为确保人们的安全，在公共场所（如机场、火车站或拥挤的城市区域）部署大量的摄像机网络。由于拍摄场景存在背景复杂、行人身体的遮挡、行人姿态变化及光照强度的改变等不可控因素问题，进一步增加了识别行人的难度，因此面对这些复杂任务时，如何在大规模数据中自动完成识别任务变得至关重要。

解决行人再识别问题主要分为传统手工特征方法和深度学习方法。传统手工特征方法需要手动提取特征非常耗时而且准确度较低。近几年基于深度学习的行人再识别方法得到快速发展，与传统手工特征方法不同，基于深度学习的方法能自动提取特征，进而将提取的特征映射到度量学习方法中，在行人再识别方法的性能上取得大幅提升。文献[3]采用深度孪生网络（Siamese Network）对人体部位特征学习来做行人再识别的工作，与传统手工特征相比效果较好。Zheng 等人[4]以ResNet50 作为骨干网络，将每个身份视为不同的类，从卷积神经网络（Convolutional Neural Network，CNN）中提取特征，然后在数据集上对其进行训练。之后，研究者们相继提出一些改进方法应用在行人再识别任务中。Sun 等人[5]同样以ResNet50 作为骨干网络，将均等划分的局部特征通过拼接表示并提出细化部分池（Refined Part Pooling）使每个区域保持一致。虽然这些方法在行人再识别任务中取得较高准确度，但模型运行时计算开销较大。……