基于多级高斯模型的人员重识别深度结构
计算机视觉与模式识别
2019-12-10 v1
摘要
人员重识别(re-identification)在法医、安全与监控系统中被广泛使用,但在现实场景中子人员重识别是一项具有挑战性的任务。因此,本工作提出了一种新的特征描述符模型,该模型在像素特征(包括颜色矩、颜色空间值和Schmid滤波器响应)上采用高斯分布模型的多层框架。人员的图像通常由不同的身体区域组成,通常具有可区分的衣物以及随之而来的局部颜色与纹理模式。因此,通过将图像划分为重叠区域来局部地评估图像。每个区域进一步被划分为小斑块上的一组局部高斯。一个全局高斯对这些每个区域的局部高斯进行编码,从而创建多级结构。因此,人员的全局图像由其内部存在的局部级别信息来描述,而这些信息常被忽略。此外,我们分析了早期度量学习方法在该描述符上的效率。该描述符的性能在四个公开可用的具有挑战性的数据集上进行了评估,并在这些数据集上取得的最高准确率与类似的当前最优(state-of-the-art)方法进行了比较,结果表明了优越的性能。
引用
@article{arxiv.1805.07720,
title = {A Deep Structure of Person Re-Identification using Multi-Level Gaussian Models},
author = {Dinesh Kumar Vishwakarma and Sakshi Upadhyay},
journal= {arXiv preprint arXiv:1805.07720},
year = {2019}
}
备注
9 pages