基于身体分块的时空特征混合模型用于视频行人重识别
计算机视觉与模式识别
2018-07-04 v1 人工智能
摘要
基于视频的行人重识别旨在跨不同摄像头识别同一个人，是视觉监控系统中的一项关键任务。以往多数方法主要关注帧中全身的特征。本文提出一种新颖的基于卷积神经网络（CNN）与循环神经网络（RNN）的时空特征混合模型（STFMM），该模型将人体在水平方向上划分为 个部分，从而获取更具特异性的特征。所提方法巧妙整合各身体部分的特征，以实现对每个人的更具表达力的表征。我们首先将视频序列切分为 个部分序列，其中包含头部、腰部、腿部等信息。随后由 STFMM 提取特征，其 个输入来自所开发的孪生网络，并将这些特征组合为针对单人的判别性表征。实验在 iLIDS-VID 与 PRID-2011 数据集上进行。结果表明，我们的方法在基于视频的行人重识别上优于现有方法。其在 iLIDS-VID 数据集上取得 74% 的 rank-1 CMC 准确率，超越最新方法 ASTPN 达 12%。在跨数据测试中，我们的方法取得 48% 的 rank-1 CMC 准确率，超越 ASTPN 方法 18%，表明我们的模型具有显著的稳定性。
引用
@article{arxiv.1807.00975,
title = {A Spatial and Temporal Features Mixture Model with Body Parts for Video-based Person Re-Identification},
author = {Jie Liu and Cheng Sun and Xiang Xu and Baomin Xu and Shuangyuan Yu},
journal= {arXiv preprint arXiv:1807.00975},
year = {2018}
}