一、簡介

• 行人重識別，也被稱為 ReID(Person Re-identification)，是希望能夠利用計算機視覺的演算法來進行 跨攝像頭的追蹤，也就是找到不同攝像頭下的同一個人，這也是影象檢索的一個子問題

• 多個攝像頭下拍攝行人的角度不同，影象中的行人可能72變。所以要正確判斷的話，就要找到行人上的區域性不變的part（比如：衣服顏色，衣服紋理，手提包，揹包等等）下圖為 DukeMTMC-reID 資料集的 retrieval demo

  • 左邊的 query 就是要查詢的某個人，右邊的 gallery 就是所有的人，我們需要從 gallery 裡面找到 query 的人
  • 綠色的框表示同一個人，紅色的框表示不同的人
    

• 能不能用人臉識別來做重識別？

  • 因為攝像頭的距離比較遠，所以人的影象都比較模糊，沒有辦法通過人臉來定位
  • 廣泛存在後腦勺和側臉的情況，做正臉的人臉識別難

• 有些人靠衣服的顏色就可以判斷出來了，還需要行人重識別麼？

  • 首先，衣服顏色確實是行人重識別做出判斷一個重要因素，但光靠顏色是不足的。
  • 其次，攝像頭之間是有色差，並且會有光照的影響。
  • 最後，有撞衫（顏色相似）的人怎麼辦，要找細節，但比如顏色直方圖這種統計的特徵就把細節給忽略了。

二、評價指標

• ReID 模型的好壞，目前有兩個比較常用的指標，一個是 Top1，一個是 mAP

  • Top1 表示首位命中的概率，我們會將 query 和 gallery 依次算一個距離（提取特徵後計算）然後根據距離排序，判斷一下 gallery 首位的圖有沒有命中 query，Top5 表示 1 - 5張圖片面至少有一張命中。
  • mAP 表示平均精度均值，我們可以用下面這張圖片來形象的說明 mAP 是如何計算的？
    

• 餘弦距離（越小越相似，$0 \sim 2$）
  

三、測試方法

• 用 ReID model 做預測就非常簡單，就去掉最後的全連線層，然後用網路提取 feature，最後算 query 和 gallery 所有圖片 feature 之間的距離，根據距離去算 Top1 和 mAP 就可以得到最後的效果

四、參考資料