基于显著性学习的行人重识别
计算机视觉与模式识别
2014-12-08 v1
摘要
人眼能够基于微小的显著区域识别人物身份，即人类显著性在不相交摄像头视角下的行人匹配中具有独特性和可靠性。然而，在使用现有方法计算行人图像相似度时，此类宝贵信息往往被掩盖。受我们关于人类显著性感知用户研究结果的启发，我们提出了一种基于学习人类显著性和匹配显著性分布的行人重识别新视角。所提出的显著性学习与匹配框架包含四个步骤：(1) 为处理由剧烈视角变化和姿态变化引起的错位，我们应用邻域约束块匹配来建立图像对之间的稠密对应关系。(2) 我们提出了两种替代方法，即 K 近邻 (K-Nearest Neighbors) 和单类支持向量机 (One-class SVM)，以估计每个图像块的显著性得分，从而在不使用训练过程中身份标签的情况下突显区分性特征。(3) 提出了基于块匹配的显著性匹配。匹配具有不一致显著性的块会带来惩罚，通过最小化显著性匹配代价来识别同一身份的图像。(4) 此外，显著性匹配与块匹配在统一的结构化 RankSVM 学习框架中紧密结合。我们在 VIPeR 数据集和 CUHK01 数据集上验证了该方法的有效性。我们的方法在这两个数据集上均优于最先进的行人重识别方法。
引用
@article{arxiv.1412.1908,
title = {Person Re-identification by Saliency Learning},
author = {Rui Zhao and Wanli Ouyang and Xiaogang Wang},
journal= {arXiv preprint arXiv:1412.1908},
year = {2014}
}
备注
This manuscript has 14 pages with 25 figures, and a preliminary version was published in ICCV 2013