行人重识别算法综述

摘 要 行人重识别是指利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。随着生成对抗网络的发展，行人重识别技术也得到了突破。本文根据生成对抗网络对数据集扩充的角度，对现有行人重识别文献进行详细的总结和分析。

关键词 行人重识别;深度学习;生成对抗网络;计算机视觉

行人重新识别是指给定目标行人图像，从其他的摄像机捕获的图像中重新识别目标行人的过程。行人重识别可以弥补当前固定摄像机的视觉限制，可以与行人检测、姿态估计方向相互配合，用于视频监控、智能安全等领域。

生成对抗网络[1]在近几年得到了蓬勃的发展，其中一个重要应用就是图片生成。深度学习方法需要依赖大量训练数据，目前行人重识别的数据集总体来说规模还是比较小。为此生成对抗网络在重识别系统[2]中得到广泛应用，接下来将从扩大标签图片方面总结行人重识别的发展趋势。

1DG-net网络行人重识别算法

基于生成对抗网络的行人重识别系统中，绝大部分将数据生成模块与重识别模块相分开。先依靠生成对抗网络扩充数据集，然后依靠重识别系统返回目标行人的图片。DG-net网络将数据生成和重识别统一到同一个框架中，实现端到端的行人重识别。生成模型会将行人编码成外观代码和结构代码，通过交换外观代码和结构代码，生成高质量交叉ID的混合图像。通过将外观代码在线反馈判别器模型，来改进判别器，实现数据生成与重识别间相互关联。与传统方法相比，DG-net网络可控性强，完全利用训练数据集信息，不需要增加任何额外的数据。DG-net网络实验结果如图1所示。

图1  DG-Net实验效果图

2基于渐进姿态迁移网络行人重识别

为了尽可能模拟自然状态下，行人姿态的多样性，可以依赖生成对抗网络实现姿态迁移。采用生成对抗生成方法的渐进式姿态迁移方法，通过一系列中间姿态，将目标姿态迁移到原始图像上去。

根据输入的两张图片分别提取出当前姿态和目标姿态。在网络中含有多个姿势注意模块，引导网络将图片中人物的不同的部分按照目标姿态进行渐进式像素块迁移。通过不断生成与目标姿势日趋相近的图片，使生成图片逐步向目标姿态靠近。通过使用这种新颖的方法增广样本数据，使生成图片的质量得到很大提高。

3基于风格迁移的行人重识别

现有的行人重识别数据集都是在监控视频片段的基础上，通过剪裁得到目标行人的图片。在实际生活的测试中，摄像机处于户外环境，行人重识别会受到不同摄像头拍摄的图片风格变化的影响。因为图片风格差异，造成同ID行人在不同摄像头下的特征出现差异。

为了淡化不同相机间的风格差异，CamStyle提出依靠生成对抗网络进行数据增强的方法来消除相机样式的差异。不同摄像机的风格被视为不同的领域，利用CycleGAN产生新的数据样本：将已经标记过的训练图片风格迁移至每个摄像机，与原始训练样本混合在一起扩充训练集。通过这种方式，训练集是原始训练图像和风格转换图像的组合。进行风格迁移图片可以直接沿用原有图片的标签。

该训练集兼顾不同摄像机所处风格，很大程度上减弱了自然环境对于重识别系统的影响，为行人重识别走向实际应用迈出了重要的一步。

4未来展望

依据近年来行人重识别的发展方向分析，在未来的一段时间内行人重识别问题研究很大程度仍会集中关注于行人特征，因此依靠生成对抗网络是目前解决重识别有效方法之一。为了将行人重识别系统更好的应用于实践，行人检测与行人重识别结合是必要的。单单凭借行人重识别模型无法获取标准的数据图片，引入行人检测模型具有很大的现实意义与研究价值。

5结束语

随着深度学习的不断发展，行人重识别的性能日趋完善，但行人重识别模型主要依靠现有的标准数据集进行训练测试，泛化能力仍有不足。在面对实际生活场景中，数据图片的复杂性远非标准数据集可比。生成對抗网络虽能扩充行人数据的信息量，也不能完全克服这些挑战。为此在日后的研究中，应更加针对考虑到现实环境下行人的多态性。

参考文献

[1] 徐一峰. 生成对抗网络理论模型和应用综述[J]. 金华职业技术学院学报，2017，17（3）：81-88.

[2] 戴臣超，王洪元，倪彤光，等. 基于深度卷积生成对抗网络和拓展近邻重排序的行人重识别[J]. 计算机研究与发展，2019，56（8）：1632-1641.

作者简介

田宇，男，辽宁省盘锦市兴隆台区人;现就读学校：沈阳理工大学，在读研究生，研究方向：复杂系统综合自动化技术。