Re-identification Overview


发展

  • Multi-camera tracking
  • Multi-camera tracking with explicit “re-identification”
  • 独立的re-id(image-based)
  • video-based re-id(对单个人采样多个帧)
  • deep-learning re-id
  • end to end image-based re-id: 结合detection,做尽可能少的中间人工处理

目标

  • 在视频数据中找到人物(稀疏)
  • 关联大量不同摄像头捕捉到的人物
  • 自动匹配和追踪人物

    Detect -> Track -> Retrieval

    通常认为的Re-id只是指Retrieval这个过程

  • Re-id当做identification任务时,目标类似聚类或分类
  • Re-id当做recognization任务时,目标类似Ranking

数据

  • video-based
  • image-based
  • 个体的动作行为
  • 长期的活动模式



Person Reid数据集收集

http://www.liangzheng.org/Datasets.html

https://robustsystems.coe.neu.edu/sites/robustsystems.coe.neu.edu/files/systems/projectpages/reiddataset.html


  • 数据越来越多
  • 边界倾向于由行人检测器(DPM,ACF)生成,但这种检测器可能会错标,导致re-id准确率下降
  • 摄像头越多需要越大的泛化能力
  • 训练性能逐年提升
  • 深度学习方法取得优势
  • 大规模数据集上还有提升空间(mAP准确率极低,性能有很大提升空间),泛化能力弱

特点与困难

  • 数据
    • 摄像头采集到的图像数据的视角,环境,时间等都不同
    • 摄像头中出现的不同的人会相互干扰
    • 一个人会出现在不同的摄像头中
    • 摄像距离不确定,人数不确定
    • 训练数据与真实环境不一致,搜索空间大小不确定

Detect

  • object detection圈出人物的精度不能完全满足re-id的需求
  • 人工识别代价高,不准确,经验不可迁移,需要自动re-id

Feature

  • 人脸识别和图像细节不可靠,太模糊
  • 一般基于视觉特征,如衣着,持有物,但这些特征辨识度很低,且很容易受光线视角影响,而且在衣着变化大的场合直接失效
  • 特征表达很受摄像头影响
  • 特征类内差异大于类间差异:同一个人在不同地方的样子的差异大于不同人的差异

建模和系统设计

  • 类间差异有时候小于类内差异
  • 样本少,因此往往不当多分类问题来做,而当做二分类问题做,给定一个人,判断是不是同一个人
  • 需要数据标记,因此需要少的训练数据的算法往往更受青睐
  • 不同摄像头间泛化能力弱
  • 性能
  • 长时间的re-id,人物可能换衣服,拿不同的东西,短时的特征会变得不可靠

Video-based

  • multi-shot:计算代价更高,问题更多
  • pooling-based:聚合多帧特征为一个vector,可扩展性更高
  • 建立索引
  • stable region的stable可以加上时间的概念
  • 在时间上做聚类
  • 条件随机场(CRF)联合时空限制
  • 在最后一层注入时间信息
  • 喂入RNN记忆帧的时间流

评价标准:

  • Rank-1 accuracy:匹配百分比,
  • CMC curve:匹配的出现在rank的前x的百分比
  • mAP: 不仅衡量是否匹配,还衡量匹配的图是否完整(即可能有多个匹配的图)

研究热点

  • 寻找受环境影响少的feature representation
  • ML优化Re-id模型

步骤

  • 输入轨迹或包含行人的矩形(可能由视频监控系统生成)
  • 提取图像特征,而不仅是像素点
  • 构建一个可视化的feature representation,比如feature的柱状图
  • 比较特征的相似度来匹配人物
  • 匹配策略可能影响特征和超参数

特征表达

提取颜色,纹理,空间结构,容易可靠测量,不同人不同摄像头间这些特征都有一些区分度

  • 通常结合多种视觉特征,做成特征直方图,给不同特征加权重,但特征越多越可能出现图像匹配出错
  • 更进一步,会提取这样一些特征:
    • WH: weighted color histogram(RGB, YUV, HSV)
    • MSCR:maximally stable color regions
    • RHSP: recurrent high-structured patches
  • re-id首先要行人检测,但行人检测的准确度不太能满足re-id的需求,如果没把行人圈出来,re-id的特征提取很容易受背景影响,所以很多工作会先尝试把行人抠出来
  • 检测不同肢体部位来判断姿态,利用对称特点;
    • 将行人图像分解成多个身体部位,比较不同部位之间的相似度
  • 捕捉人物身体3D特征,减小对衣着的依赖
  • 拥挤场所精确行人检测很困难,捕捉行人之间的关系,re-id一群人
  • 从视觉特征中提取语义用于re-id,比如发型,衣服风格: mid-level feature represention

建模学习

  • 在相关的摄像头之间做迁移,亮度迁移,姿态迁移,背景迁移等
  • 距离测量:找到一个量度差异的量,使得类中距离小,类外距离大:最近邻,信息理论,逻辑精度,概率相关,RankSVM
    • Match:最近邻算法,Mahalanobis距离函数(距离中加上权重),KISSME(权重基础上引入概率), ITML(引入信息理论,牺牲部分一致性使得距离度量与原始距离更接近),SVM,boosting, adaboost.
  • 减少数据标记需求:半监督稀疏标记,迁移学习
  • 把re-id当做推断问题来做,填充稀疏数据;条件随机场;
  • 上下文:合并同一轨迹上的多个帧,集合分析, 考虑外部上下文比如人群,学习摄像机网络的拓扑, 减少匹配搜索空间减少出错率。
  • 图像搜索:索引与哈希

实验环境与真实环境

  • 当前数据集的局限
  • 实际搜索空间巨大,会产生许多误判,需要结合环境中其他知识来筛选,或者摄像头拓扑推断人物出现在某一帧的可能性:同一个人在不同摄像头出现的时间表达了摄像头之间的距离,寻找人群活动模式的时空关系,
  • 人群re-id
  • 基于服饰属性的特征描述
  • 工程上应用re-id成果的比较少,关注:相关性,容量,可用性。使用GPU,结合轨迹

Other Idea

  • 多模态:结合红外信号,或者其他人的能量信号:运动时,能量的转移和消耗因人而异;利用声音信号
  • Deep learning
    • 缺乏训练数据:大多数re-id数据集中,一个人只有两张图,因此大多数研究采用多张图的组合
    • 将一张图分成若干个部分,传给CNN
    • LSTM记忆身体组件的空间连接关系
    • 在不同层都做compare(性能不好)
    • 比较前先resize
    • identification比recognization更能充分利用标签

展望

  • 性能评估
  • 大数据在特征上建立索引
  • re-ranking匹配结果
  • 真实环境数据集上的准确率提高

results matching ""

    No results matching ""