基于局部最大发生表示与度量学习的行人重识别
计算机视觉与模式识别
2015-05-07 v2
摘要
行人重识别是实现监控视频中自动搜索人员存在的重要技术。特征表示和度量学习是行人重识别的两个关键问题。有效的特征表示应对光照和视角变化具有鲁棒性，且应学习具有判别力的度量以匹配不同的人员图像。本文提出了一种称为局部最大发生 (LOMO) 的有效特征表示方法，以及一种称为跨视图二次判别分析 (XQDA) 的子空间与度量学习方法。LOMO 特征分析了局部特征的水平发生情况，并通过最大化发生频率来构建对抗视角变化的稳定表示。此外，为处理光照变化，我们应用了 Retinex 变换和尺度不变纹理算子。为了学习判别性度量，我们提出通过跨视图二次判别分析学习判别性低维子空间，同时在导出的子空间上学习 QDA 度量。我们还提出了 XQDA 的实用计算方法及其正则化。在四个具有挑战性的行人重识别数据库 VIPeR、QMUL GRID、CUHK Campus 和 CUHK03 上的实验表明，所提方法在这四个数据库上将最先进的 rank-1 识别率分别提高了 2.2%、4.88%、28.91% 和 31.55%。
引用
@article{arxiv.1406.4216,
title = {Person Re-identification by Local Maximal Occurrence Representation and Metric Learning},
author = {Shengcai Liao and Yang Hu and Xiangyu Zhu and Stan Z. Li},
journal= {arXiv preprint arXiv:1406.4216},
year = {2015}
}
备注
This paper has been accepted by CVPR 2015. For source codes and extracted features please visit http://www.cbsr.ia.ac.cn/users/scliao/projects/lomo_xqda/