利用个人、社会与环境约束进行人群中的行人重识别

本文解决了跨非重叠摄像机在人群中进行行人重识别的问题。由于人数众多、遮挡频繁，加之不同摄像机属性和曝光导致的表观变化，拥挤场景下的重识别是一个具有挑战性的难题。为解决此问题，我们对行人跨摄像机的运动施加了多重个人、社会与环境 (PSE) 约束。个人约束包括假定在非重叠摄像机间保持相似的个体外观和偏好速度。社会影响（约束）本质上是二次的，即发生在个体对之间，并通过结群和避碰来建模。最后，环境约束捕捉不同摄像机中门（入口/出口）之间的转移概率，定义为所有门对之间转移时间和目的地的多模态分布。我们将这些约束纳入一个能量最小化框架以求解行人重识别。在建模 PSE 约束的同时分配 $1-1$ 对应是 NP-hard 问题。我们提出了一种随机局部搜索算法来限制假设的搜索空间，并在存在线性和二次 PSE 约束的情况下获得 $1-1$ 解。此外，我们提出了一种使用 Frank-Wolfe 算法的交替优化方法，该方法求解目标函数的凸近似并对二元变量进行线性松弛，相比随机局部搜索，速度提升了一个数量级，而性能仅有轻微下降。我们使用累积匹配曲线以及 $1-1$ 分配，在 Grand Central、PRID 和 DukeMTMC 数据集的数千帧上评估了我们的方法，与现有的重识别方法相比，取得了显著更优的结果。