Page 263 - 《软件学报》2020年第9期

2884 Journal of Software 软件学报 Vol.31, No.9, September 2020

当某地发生偷窃事件时,公安机关或安保部门可以通过监控记录来获取偷窃者出现的时间及行踪轨迹等重要
信息.不过对于监控中记录的视频数据,当前大多数情况都是通过人工的方式来进行查看、分析,工作量非常大
且效率非常低.换句话说,通过人工的方式对多个摄像头中的内容进行关联,是一项非常耗时的工作.
随着人工智能技术的发展,许多曾经需要人来执行的任务都可以通过人工智能技术来实现,甚至在某些任
[1]
务上机器比人完成得更加精确.例如在大规模图像数据集 ImageNet 上,机器对于图像的分类任务远远比人更
精确,并且识别速度比人更快速.计算机视觉技术能够帮助我们有效地利用现有的大规模图像或视频数据,并进
行分析和理解.对于监控视频数据而言,行人是其主要的目标对象之一.目前,行人检测技术、行人跟踪技术和行
人重识别技术(person re-identification,简称 Re-ID)已经在学术界和工业界受到了广泛的关注.相对于行人检测
技术和行人跟踪技术,行人重识别技术起步较晚,近些年才逐渐得以关注.传统的检测和跟踪技术只关注在一个
视频中的行人目标,而行人重识别技术则关注多个视频中的行人之间的关联性,即旨在将多个不同的摄像头下
的同一个行人目标进行关联.如图 1 所示,实现一个完整的行人重识别系统,应当包括行人检测 [2−4] 、行人跟踪 [5]
和行人重识别 [6,7] 技术这 3 个模块.

Fig.1 Schematic diagram of a person re-identification system
图 1 行人重识别系统示意图
1 相关背景

从技术层面来讲,行人重识别是用某个查询图像(query image)在一个大的图像数据库(gallery set)中检索和
匹配相关图像的任务,也可以看作是一种只针对行人图像的图像检索(image retrieval)任务,如图 2 所示,其目标
是希望获得具有判别性的特征来区分相同身份和不同身份的行人图像.因此,在行人重识别问题中,绝大部分工
作都是关注在怎样获取具有判别性的特征上.由于行人图像来自多个不同的摄像头,因此该问题的研究在现实
应用中面临着许多挑战,包括不同摄像头下图像的光照条件、分辨率、视角以及行人姿态等各方面差异.

Fig.2 Schematic diagram of person retrieval
图 2 行人检索示意图