28、用于全自动重识别系统研究的 HDA+ 数据集

用于全自动重识别系统研究的 HDA+ 数据集

1. 引言

人员重识别系统的目标是在由非重叠（或低重叠）视场的摄像头网络覆盖的异构场景中，识别并跟踪个体。由于其在众多领域（如监控、智能空间、边境控制、犯罪预防和机器人技术等）的实用性，重识别一直是计算机视觉领域的研究热点。然而，在摄像头网络中可靠地重识别个体并非易事。当一个人从某个视角消失后，很难将其与其他视角中的目标区分开来，这主要是由于不同人之间的视觉相似性、遮挡、视频数据质量差以及成像条件的变化（如光照、视角、距离范围等）。

目前，大多数现有的重识别系统在很大程度上仍依赖人工监督和干预。通常需要人工操作员持续监控大量摄像头，这不仅成本高、准确性低，还容易出现人为错误。因此，研究能够有效减少人工操作员负担的自动系统具有重要意义。

经典的重识别策略是手动从图像中裁剪出人员区域。首先，将已知身份的人员手动裁剪图像存储在图库中，作为训练集。然后，在新的视角中选择未知身份的人员（探针）进行重识别。重识别通常通过某种匹配方法（如最近邻法）实现，即学习判别特征，然后使用适当的距离度量进行模板匹配，以评估图库和探针图像之间的相似度。现有工作主要集中在提取局部特征、学习分类器和距离度量等方面。

在局部特征方面，现有方法通常利用纹理、空间结构、颜色或它们的组合。在距离度量方面，有多种不同的方法被提出，如加权 L2 范数距离度量、Bhattacharyya 距离等。距离也可以通过学习来提供最优的相似度度量。此外，还有一些工作将重识别问题重新表述为排序问题。

然而，上述方法都假设使用预裁剪的行人图像进行重识别。本文提出了一个数据集和相关方法，旨在放松这一假设，实现全图像的重识别，无需手动选择探针数据，推动重识别