顏 悅，程清翠，李向奎，朱 豪

（1.昭通學(xué)院 物理與信息工程學(xué)院，云南 昭通 657000；2.四川泛希誠科技有限公司，四川 成都 610213）

0 引言

隨著現(xiàn)代社會(huì)高速發(fā)展，人與汽車混雜的交通網(wǎng)絡(luò)讓社會(huì)治安環(huán)境尤為復(fù)雜，特別在一些人流量大的城市里，盜竊違法事件屢屢發(fā)生，使得社會(huì)公共安全問題受到了人們的廣泛關(guān)注。2010 年，公安部提出關(guān)于在全國范圍內(nèi)構(gòu)建城市報(bào)警系統(tǒng)及監(jiān)控網(wǎng)絡(luò)系統(tǒng)的意見［1］，并在全國范圍內(nèi)開展多級(jí)城市報(bào)警聯(lián)合監(jiān)控系統(tǒng)的建設(shè)。截至2018年，全國大約有4 000 萬臺(tái)攝像頭被安置于城市的各個(gè)角落，構(gòu)造出一張龐大而細(xì)密的監(jiān)控網(wǎng)絡(luò)。

監(jiān)控網(wǎng)絡(luò)的出現(xiàn)為追查犯罪分子行動(dòng)軌跡、破獲各種案件提供了極大幫助，能檢索出犯罪過程中的關(guān)鍵信息，使公安部門能在較短時(shí)間里鎖定并及時(shí)追蹤犯罪嫌疑人，是服務(wù)于偵查打擊、震懾違法犯罪等行為的有效途徑。同時(shí)，監(jiān)控網(wǎng)絡(luò)在創(chuàng)新社會(huì)管理、服務(wù)廣大群眾方面也具有巨大作用，例如通過比較監(jiān)控畫面可及時(shí)得知走失人口的運(yùn)動(dòng)軌跡，幫助家人盡快找回親人。網(wǎng)絡(luò)監(jiān)控是為違法犯罪分子編織的天羅地網(wǎng)，能讓罪惡無處遁形；網(wǎng)絡(luò)監(jiān)控也是為人民群眾所構(gòu)造的守護(hù)之網(wǎng)，能讓百姓安居樂業(yè)。

在現(xiàn)實(shí)生活中，由于監(jiān)控所安裝的環(huán)境不同，受到維護(hù)設(shè)備經(jīng)濟(jì)成本等條件限制，監(jiān)控網(wǎng)絡(luò)的攝像頭視域難免會(huì)出現(xiàn)中斷，無法保證監(jiān)控覆蓋所有區(qū)域。并且，由于監(jiān)控對(duì)象運(yùn)動(dòng)軌跡具有隨機(jī)性，當(dāng)其在某個(gè)攝像頭的視域下消失后，如何再次對(duì)其定位是目前亟待解決的問題。

行人重識(shí)別是近幾年智慧視覺分析領(lǐng)域的熱門，當(dāng)某一個(gè)攝像頭下的行人在其他時(shí)間點(diǎn)、地點(diǎn)出現(xiàn)在其他攝像頭視域下時(shí)，可利用該技術(shù)將其再次自動(dòng)識(shí)別，對(duì)維護(hù)治安、保障社會(huì)公共安全具有重要意義，因此吸引了大量研究人員廣泛關(guān)注，但由于監(jiān)控網(wǎng)絡(luò)采集到的圖像質(zhì)量較低、物體存在遮擋、背景發(fā)生變化等因素，嚴(yán)重影響了識(shí)別性能。為此，本文聯(lián)合字典對(duì)的學(xué)習(xí)研究不同相機(jī)視角引起的光照差異與背景變化，分離行人圖像共享的域信息和行人特征信息，從而進(jìn)一步提升行人匹配性能。

1 相關(guān)工作

近年來，行人重識(shí)別技術(shù)得到了社會(huì)普遍關(guān)注，也因此獲得了快速發(fā)展，其主要方法可分為基于特征表示的行人重識(shí)別、基于度量學(xué)習(xí)的行人重識(shí)別基于字典學(xué)習(xí)的行人重識(shí)別。

1.1 基于特征表示的行人重識(shí)別

由于行人外觀特征易受光照、拍攝視角、遮擋等因素影響，如何進(jìn)行特征設(shè)計(jì)與選擇至關(guān)重要。因此，各學(xué)者圍繞行人特征開展了深入研究。為了能更好地提取行人特征，彭玉青等［2］提出融入外觀特征的行人重識(shí)別方法，該方法設(shè)計(jì)了兩個(gè)不相同的分支，一個(gè)分支用于提取行人的全局特征，另一個(gè)分支用于提取行人的局部特征，然后將兩者結(jié)合起來得到行人的整體外觀特征。譚玉瑩［3］通過加權(quán)分類損失與三元組損失提出一種基于圖像—空間特征融合的有監(jiān)督行人重識(shí)別方法，該方法可訓(xùn)練出更具判別性的特征。朱小波［4］提出一種基于特征融合與子空間學(xué)習(xí)的行人重識(shí)別算法，在提取到行人圖像特征后將其通過核函數(shù)轉(zhuǎn)換至另一個(gè)非線性空間，然后在該空間中創(chuàng)造一個(gè)子空間用于學(xué)習(xí)一個(gè)有較好識(shí)別性能的相似度量函數(shù)，進(jìn)一步改良了相似度量學(xué)習(xí)方法與特征融合方法。

1.2 基于度量學(xué)習(xí)的行人重識(shí)別

度量學(xué)習(xí)是計(jì)算機(jī)中的一個(gè)距離度量函數(shù)，在行人重識(shí)別中用于計(jì)算兩幅圖像信息間的距離，也叫相似度，使計(jì)算結(jié)果能準(zhǔn)確反映兩幅圖像信息中行人特征間的差異。由于不同負(fù)樣本間所攜帶的識(shí)別信息數(shù)量不同，會(huì)導(dǎo)致進(jìn)行度量學(xué)習(xí)時(shí)對(duì)度量學(xué)習(xí)的貢獻(xiàn)不同。

為此，唐鼎［5］提出負(fù)樣本敏感度量學(xué)習(xí)方法解決該問題。張國鵬［6］在算法中充分利用每個(gè)批次中所有樣本對(duì)的距離信息，利用中心損失函數(shù)降低樣本同類距離。蔣同［7］提出跨視圖局部塊度量學(xué)習(xí)算法，通過減小或擴(kuò)大正樣本或負(fù)樣本到局部塊間的距離，獲得更高的跨視圖樣本匹配率。劉國明［8］提出基于前景分割的特征表示模型，根據(jù)同一行人圖像在不同相機(jī)視角下的相同和不同特征計(jì)算不同相機(jī)視角下的行人圖像樣本對(duì)距離。為了能更好地獲得行人整體內(nèi)部特征并更清晰地區(qū)分行人特征間的不同點(diǎn)，周刊［9］提出一種基于度量學(xué)習(xí)和多特征融合的行人重識(shí)別方法。

1.3 基于字典學(xué)習(xí)的行人重識(shí)別

將字典學(xué)習(xí)運(yùn)用于行人重識(shí)別領(lǐng)域，是為了挖掘行人圖像最重要的本質(zhì)特征以盡可能多的表示行人信息，也就是為了學(xué)習(xí)到一個(gè)具有較高判別性的特征表示。何悠［10］提出基于最小負(fù)樣本約束的字典學(xué)習(xí)算法，通過最小負(fù)樣本的稀疏編碼增大同類樣本間的距離，獲得一個(gè)更穩(wěn)定、區(qū)分能力更強(qiáng)的字典模型。為了能更全面獲取已標(biāo)記的樣本標(biāo)簽信息，周維燕［11］提出在字典學(xué)習(xí)模型中引入標(biāo)簽一致性約束項(xiàng)，構(gòu)建了分類器、投影變換與判別字典聯(lián)合學(xué)習(xí)模型。為了減少行人視覺間的歧義性，許佳佳［12］提出一種共享與特有成分字典聯(lián)合學(xué)習(xí)框架。湯紅忠等［13］提出一種多級(jí)別判別性字典學(xué)習(xí)算法解決跨視圖的行人重識(shí)別問題。崔益峰等［14］提出一種基于聯(lián)合判別性低秩類字典及稀疏誤差字典的人臉識(shí)別算法，以解決行人圖片間的相似性。為了更好地消除行人圖像的域信息和行人姿態(tài)信息對(duì)行人重識(shí)別技術(shù)的影響，嚴(yán)雙林［15］提出一種基于矩陣分解與超圖結(jié)構(gòu)對(duì)齊的字典學(xué)習(xí)算法。

雖然上述方法均取得了不錯(cuò)的成效，但幾乎未在如何有效減小復(fù)雜背景等域信息方面進(jìn)行研究。PRID2011 數(shù)據(jù)集是從某個(gè)十字路口的兩個(gè)不同相機(jī)視角下捕獲到的行人圖像，他們的背景間存在較大差異，并且由于光照強(qiáng)度不同會(huì)導(dǎo)致同一行人存在較大差異，而不同行人之間卻可能更相似，部分圖像如圖1所示。

Fig.1 Pedestrian image sequence of PRID2011 data set圖1 PRID2011數(shù)據(jù)集的行人圖像序列

因此，為了將不同相機(jī)視角下的行人圖像共享信息與行人特征信息進(jìn)行分離，本文通過創(chuàng)建兩個(gè)字典構(gòu)建行人重識(shí)別的算法模型，一個(gè)字典表示行人圖像信息共享字典，另一個(gè)表示行人特征信息字典，其分離思想主要是使來自同一相機(jī)視角下的所有行人圖像在共享字典上享有相同的稀疏表示，以此分離每個(gè)視角下的行人圖像共享信息和行人特征信息，避免了直接采用包含域信息的行人圖像進(jìn)行重識(shí)別研究所帶來的問題。

2 基于聯(lián)合字典對(duì)學(xué)習(xí)的跨視角行人重識(shí)別算法

為降低不同相機(jī)視角間的域偏移問題，構(gòu)建：

式中，Xa、Xb表示相機(jī)視角a、b下的訓(xùn)練樣本圖像，D代表所有相機(jī)視角下的域信息字典，Dt代表分離出域信息后的行人外觀特征字典，Ya、Yb為字典D中選擇出的某些原子組成，主要為了得到訓(xùn)練數(shù)據(jù)集樣本信息的稀疏表達(dá)，Yta、Ytb為對(duì)應(yīng)外觀信息字典Dt上的行人編碼系數(shù)矩陣用來構(gòu)建相機(jī)視角a、b下的共享背景信息。

式中，||Yta||1、||Ytb||1為了使Yta、Ytb更稀疏，范數(shù)l1因其在提高模型參數(shù)的稀疏性上相較于l0更容易求解，因此本文算法模型中選擇l1來提高模型稀疏性，α1、α2、α3、α4為對(duì)應(yīng)項(xiàng)的權(quán)重參數(shù)，根據(jù)參數(shù)大小可看出其對(duì)應(yīng)項(xiàng)對(duì)算法識(shí)別性能的影響。

3 算法優(yōu)化求解

由式（2）可知，對(duì)于變量D、Dt、Ya、Yb、Yta、Ytb而言，它們均非共凸，只有固定所有變量求解其中的一個(gè)變量時(shí)才為凸。因此，本文通過交替迭代方法［16］優(yōu)化這些變量，具體過程如下：

（1）更新Ya。在求解Ya時(shí)，算法模型中除Ya外的其他參數(shù)均需固定，此時(shí)對(duì)Ya進(jìn)行求解的函數(shù)為：

由式（3）可知，求解Ya等同于對(duì)Ya的范數(shù)l2，1的最小化求解，本文使用文獻(xiàn)［17］中對(duì)范數(shù)l2，1最小化的求解方法，然后對(duì)Ya求導(dǎo)可得到Y(jié)a的解為：

其中，Λ1為求解Ya的范數(shù)l2，1所創(chuàng)建的對(duì)角矩陣，該矩陣是稀疏的。

（2）更新Yb。用更新Ya的方法更新Yb，對(duì)Yb求導(dǎo)可得Yb的解為：

其中，Λ2為求解Yb的范數(shù)l2，1所創(chuàng)建的對(duì)角矩陣，該矩陣同樣也是稀疏的。

（3）更新Yta。以交替迭代的方法更新Yta，此時(shí)求解Yta的函數(shù)為：

在更新Yta前，先引入一個(gè)新的中間變量E，將式子改寫為：

更新E實(shí)質(zhì)上是對(duì)范數(shù)l1的最小化求解，采用迭代收縮算法Iterative Shrinkage Algorithm［18］求解E，進(jìn)一步更新Yta為：

對(duì)Yta直接求導(dǎo)可得Yta的解為：

其中，I1為單位矩陣，其行列數(shù)皆為字典Dt的原子數(shù)。

（4）更新Ytb。如同更新Yta一樣可得到Y(jié)tb的解為：

其中，I2為單位矩陣，其行列數(shù)皆為字典Dt的原子數(shù)。

（5）更新D。同樣地，固定變量Ya、Yb、Yta、Ytb、Dt，可得求解D的函數(shù)為：

在對(duì)D進(jìn)行求解時(shí)，需要先求解D的核范數(shù)，此時(shí)需要引入一個(gè)新的中間變量V，然后采用奇異值闕值算法［19］求解V，引入新變量后可將式（11）改寫為：

當(dāng)V確定后，需要再引入一個(gè)松弛變量H，將式（12）改寫為：

其中，Λ4為由所有的拉格朗日對(duì)偶變量構(gòu)成的對(duì)角矩陣，I6為行列數(shù)均為字典Dt的原子數(shù)的單位矩陣。

4 模型算法測(cè)試方案

當(dāng)字典D、Dt訓(xùn)練好后，通過以下方法測(cè)試訓(xùn)練得到的字典性能：

式中，Xa1、Xb1為從PRID2011 數(shù)據(jù)集中選擇的測(cè)試樣本集，Ya1、Yb1代表相機(jī)視角a、b下的編碼系數(shù)，Yta1、Ytb1表示相機(jī)視角a、b下的行人特征信息編碼系數(shù)。

首先通過式（26）求解Ya1，通過文獻(xiàn)［16］的交替迭代法，固定除Ya1外的其它參數(shù)求解Ya1。

求解Ya1本質(zhì)上是最小化求解范數(shù)l2，1，因此采用文獻(xiàn)［17］中對(duì)范數(shù)l2，1最小化求解的方法進(jìn)行求解，得到Y(jié)a1為：

式中，Λ1為求解Ya1的l2，1范數(shù)而創(chuàng)建的對(duì)角矩陣，該矩陣是稀疏的。

同理更新Yb1，得到Y(jié)b1的解為：

式中，Λ2為求解Yb1的l2，1范數(shù)而創(chuàng)建的對(duì)角矩陣，該矩陣也是稀疏的。

當(dāng)Ya1、Yb1確定后，使用同樣的方法求解Yta1、Ytb1，可得Yta1目標(biāo)函數(shù)為：

求解Yta1相當(dāng)于對(duì)范數(shù)l1的最小化求解，使用迭代收縮算法Iterative Shrinkage Algorithm［18］求得Yta1的解為：

其中，I7為行列數(shù)皆為字典Dt的原子數(shù)的單位矩陣，J1為求范數(shù)l1的中間變量。

同理可得Ytb1解為：

其中，I8為行列數(shù)皆為字典Dt的原子數(shù)的單位矩陣，J2為求l1范數(shù)的中間變量。

確定Yta1、Ytb1后，通過歐式距離計(jì)算Yta1(：，i)與Ytb1(：，j)間的距離。其中，Yta1(：，i)表示Yta1的第i列，Ytb1(：，j)表示Ytb1的第j列。

假設(shè)要從Ytb1中匹配Yta1中的某個(gè)目標(biāo)行人，就需要將Yta1中代表這個(gè)目標(biāo)行人的列與Ytb1中的每一列進(jìn)行距離計(jì)算，距離最近即為匹配成功的行人。當(dāng)Yta1中所有的行人均匹配成功后對(duì)所求距離進(jìn)行升序排列，獲得Rank 的匹配率。

5 實(shí)驗(yàn)結(jié)果與分析

5.1 數(shù)據(jù)集與參數(shù)設(shè)置

本文分別選擇PRID2011、CUHK01 和i-LIDS 數(shù)據(jù)集對(duì)訓(xùn)練、測(cè)試進(jìn)行驗(yàn)證與分析。PRID2011 數(shù)據(jù)集的行人圖像由室外環(huán)境下的兩個(gè)非重疊相機(jī)捕獲，并且每個(gè)視角均包含干擾圖像。在CUHK01數(shù)據(jù)集中，每個(gè)身份在每個(gè)相機(jī)視角下均有兩張圖像，所有圖像均來自安置于校園內(nèi)的兩臺(tái)相機(jī)。i-LIDS 數(shù)據(jù)集中的行人圖像通過安裝在機(jī)場(chǎng)到達(dá)大廳中的多個(gè)非重疊相機(jī)所獲取，包含了119個(gè)行人身份的476 張圖像，其中不同相機(jī)拍攝每個(gè)行人2～8張圖像。

由于以上數(shù)據(jù)集各自具有不同的特征，因此能保證客觀、全面地測(cè)試算法性能。本文實(shí)驗(yàn)中，每個(gè)數(shù)據(jù)集被分為兩個(gè)部分，一部分為訓(xùn)練樣本，另一部分為測(cè)試樣本，采用累積匹配特性（Cumulative Match Characteristic，CMC）曲線評(píng)估字典的識(shí)別性能，參數(shù)值分別為d=50、dt=89、α1=1、α2=1、α3=28、α4=1。其中，d為參數(shù)字典D的大小，dt為字典Dt的大小，α1、α2、α3、α4為每個(gè)公式的權(quán)重參數(shù)。

5.2 PRID2011數(shù)據(jù)集的分析結(jié)果

PRID2011 數(shù)據(jù)集中總共包含949 張行人圖像，其中行人圖像200 張、人干擾圖像549 張，每個(gè)行人在對(duì)應(yīng)的相機(jī)視角下只存在一張圖像，實(shí)驗(yàn)時(shí)首先在兩個(gè)相機(jī)視角下分別隨機(jī)選取200 張行人圖像對(duì)中的100 張行人圖像對(duì)來訓(xùn)練字典D、Dt，然后將兩個(gè)相機(jī)視角下剩余的100訓(xùn)練行人圖像對(duì)和549 訓(xùn)練行人干擾圖像測(cè)試所訓(xùn)練字典D和字典Dt的性能，并重復(fù)10次。

由于PRID2011 數(shù)據(jù)集兩個(gè)相機(jī)視角間的光照變化和背景差異較大，包含干擾行人圖像，在該數(shù)據(jù)集下進(jìn)行測(cè)試難度較大且具有一定的代表性。為此，將在PRID2011 數(shù)據(jù)集測(cè)得的平均識(shí)別率作為識(shí)別結(jié)果與ATNet［21］、JSMAL［22］、SAAVF［23］、AIESL［24］、SNR［25］、SRSCC［26］方法進(jìn)行比較，如表1 所示。由此可見，本文所提方法在PRID2011 數(shù)據(jù)集上的Rank1、Rank5、Rank10、Rank20 匹配率分別達(dá)到40.40%、60.40%、71.30%、82.20%，相較于SRSCC 分別提高了1.2%、0.5%、1.8%。

Table 1 Comparison of matching rates of different algorithms on PRID2011 dataset表1 不同算法在PRID2011數(shù)據(jù)集上的匹配率比較（%）

5.3 CUHK01數(shù)據(jù)集的分析結(jié)果

CUHK01 數(shù)據(jù)集的圖像是由安裝在校園里的兩個(gè)不相交攝像頭所拍攝，包含971 個(gè)行人，共計(jì)3 884 張圖像。每個(gè)行人在每個(gè)攝像頭下均有兩張清晰度較高的圖像。在該數(shù)據(jù)集中，一個(gè)攝像頭拍攝行人的正面或背面，另一個(gè)攝像頭拍攝行人的側(cè)面，如圖2所示。

Fig.2 Pedestrian image sequence of CUHK01 data set圖2 CUHK01數(shù)據(jù)集的行人圖像序列

為檢驗(yàn)本文所提算法的有效性，將其與MVLDML［27］、CSPL+GOG［28］、AIESL［24］、GOG+TDL［29］、MSE-VCM［30］、MLSVM［31］、CV-KCRC［7］算法進(jìn)行比較，如表2 所示。由此可見，在該數(shù)據(jù)集下本文所提算法的識(shí)別率相較于其他算法均具有一定的提升，例如相較于MSE-VCM 算法，雖然在Rank20 方面降低了0.64，但Rank1、Rank5、Rank10的匹配率分別提高1.8%、0.16%、0.88%。

Table 2 Comparison of matching rates of different algorithms on CUHK01 dataset表2 不同算法在CUHK01數(shù)據(jù)集上的匹配率比較（%）

5.4 i_LIDS數(shù)據(jù)集的分析結(jié)果

機(jī)場(chǎng)到達(dá)大廳行人圖像數(shù)據(jù)集i_LIDS 是目前較為常用的數(shù)據(jù)集之一，該數(shù)據(jù)集內(nèi)的行人圖像是由安置于機(jī)場(chǎng)到達(dá)大廳的多個(gè)攝像頭所拍攝，包含119 名行人共476張圖像。由于兩個(gè)不同攝像頭視域下行人圖像數(shù)量并不相同，圖像數(shù)量分別為1～8 張，因此適用于本文所需解決的行人外觀歧義問題。除了行人圖像數(shù)量不同造成的影響外，由圖3 可見該數(shù)據(jù)集還存在照明、背景、遮擋等因素干擾，因此該數(shù)據(jù)集對(duì)本文算法的準(zhǔn)確度驗(yàn)證具有一定的挑戰(zhàn)。

實(shí)驗(yàn)中，任選60 名行人身份圖像對(duì)進(jìn)行訓(xùn)練，將剩余的59 名行人身份圖像用于測(cè)試，并重復(fù)10 次，得到最終的識(shí)別性能，即平均識(shí)別率。同時(shí)，為了驗(yàn)證本文所提算法的有效性，將其與MLQAW［32］、MMLBD［33］、FSCML［34］、JDSML［35］、GOG+TDL［29］算法進(jìn)行比較，如表3所示。

Fig.3 Pedestrian image sequence of i_LIDS data set圖3 i_LIDS數(shù)據(jù)集的行人圖像序列

Table 3 Comparison of matching rates of different algorithms on i_LIDS dataset表3 不同算法在i_LIDS數(shù)據(jù)集上的匹配率比較（%）

5.5 算法分析

根據(jù)本文設(shè)置的6 個(gè)參數(shù)，基于PRID2011 數(shù)據(jù)集介紹如何設(shè)置這6 個(gè)參數(shù)的值。實(shí)驗(yàn)中，字典D的大小d和字典Dt的大小dt是影響本文算法識(shí)別性能的重要參數(shù)，在選取字典最佳值時(shí)需要首先固定一個(gè)字典大小再調(diào)節(jié)另外一個(gè)字典的大小，通過比較不同大小字典值所得到的識(shí)別率來確定字典的最佳值。圖4（a）、圖4（b）分別顯示不同大小d、dt對(duì)識(shí)別率的影響，由此可見當(dāng)d=50、dt=89 時(shí)，本文算法的識(shí)別率（以Rank1為例）最高。

Fig.4 Effects of different d/dt values on the recognition performance of the algorithm圖4 不同d，dt值對(duì)算法識(shí)別性能的影響

在確定d、dt后，依次判定公式中每一項(xiàng)對(duì)應(yīng)的權(quán)重參數(shù)α1、α2、α3、α4取不同值時(shí)對(duì)算法識(shí)別性能的影響，使用交叉驗(yàn)證方法確定這4 個(gè)參數(shù)。首先，將α2、α3、α4分別固定為1、28、1，研究α1的影響。

由圖5（a）可見，當(dāng)α1=1 時(shí)本文算法識(shí)別性能更高，由此確定α1。然后，將α1、α3、α4固定為1、28、1，由圖5（b）可見當(dāng)α2=1 時(shí)本文算法識(shí)別性能更高。接下來，將α1，α2，α4分別固定為1、1、1，由圖5（c）可見當(dāng)α3=28 時(shí)本文算法識(shí)別率更高。最后，將α1、α2、α3分別固定為1、1、28，由圖5（d）可見當(dāng)α4=1 時(shí)本文算法能識(shí)別率更高。

Fig.5 Influence of different weight parameters on the recognition performance of the algorithm on the PRID2011 dataset圖5 PRID2011數(shù)據(jù)集上不同的權(quán)重參數(shù)的值對(duì)算法識(shí)別性能的影響

此外，算法模型中變量的更新次數(shù)對(duì)算法識(shí)別性能也具有一定的影響。因此，固定d、dt、α1、α2、α3、α4，從5～40開始逐漸調(diào)整變量更新次數(shù)，由圖6 可見當(dāng)更新次數(shù)為15時(shí)本文算法識(shí)別性能較好。

Fig.6 Effect of different iteration times on recognition performance on PRID2011 dataset圖6 PRID2011數(shù)據(jù)集上不同迭代次數(shù)對(duì)識(shí)別性能的影響

6 結(jié)語

本文為了解決不同相機(jī)視角間因像素、光照等干擾問題及其他原因?qū)е聢D像模糊的問題，將圖像信息分解為域信息字典與行人外觀特征信息字典，通過低秩分解減弱或去除因域信息干擾的行人圖像，以更好地恢復(fù)行人信息，即剩余信息將基本不再受域偏移問題的影響。具體為，通過構(gòu)建聯(lián)合字典對(duì)學(xué)習(xí)模型得到一個(gè)域信息字典與行人外觀信息字典，實(shí)現(xiàn)特定域信息部分與行人外觀特征部分的分離，并在3 個(gè)挑戰(zhàn)性極大的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明本文所提算法相較于其他算法均具有較強(qiáng)的魯棒性。

隨著時(shí)代進(jìn)步，行人重識(shí)別技術(shù)將具有更好的前景。分析發(fā)現(xiàn)，不同數(shù)據(jù)集間由于相機(jī)設(shè)備參數(shù)、光照和場(chǎng)景的不同而存在較大差異。本文行人重識(shí)別是在同一個(gè)數(shù)據(jù)集上進(jìn)行訓(xùn)練與測(cè)試，此時(shí)性能表現(xiàn)較好，但如果將基于某數(shù)據(jù)集所設(shè)計(jì)的訓(xùn)練模型直接測(cè)試另一個(gè)數(shù)據(jù)集，將會(huì)導(dǎo)致識(shí)別效果較差。因此，在維持原有性能前提下，將基于某個(gè)或某些數(shù)據(jù)集所訓(xùn)練的模型拓展至其他數(shù)據(jù)集中進(jìn)行應(yīng)用是值得深入的研究方向。