行人再识别算法：多特征融合与距离度量学习

"基于辨识特征后融合的行人再识别" 行人再识别（Person Re-Identification，简称Re-ID）是计算机视觉领域的一个重要课题，旨在识别不同监控摄像头下的同一个人。由于光照、视角、姿态等因素的影响，跨摄像机的行人外观会存在显著差异，这为Re-ID带来了挑战。本文提出了一种基于辨识特征后融合的算法，通过结合多特征融合和距离度量学习技术来提高行人再识别的准确性。 首先，该算法提取了两种关键特征：局部最大出现频次（Local Maximum Appearance Frequency，LOMO）和基于显著颜色名称的颜色描述子（Significant Color Name-based Color Descriptor，SCNCD）。LOMO特征是一种统计特征，能够捕获行人图像的局部纹理信息，而SCNCD则利用颜色直方图描述颜色分布，对光照变化有较好的鲁棒性。这两种特征分别反映了行人的纹理和颜色信息，有助于克服外观变化带来的影响。 接下来，论文采用跨视图二次判别分析（Cross-View Quadratic Discriminant Analysis，XQDA）作为距离度量学习模型。XQDA的目标是优化特征空间，使得同一人之间的距离尽可能小，不同人之间的距离尽可能大。因此，对于LOMO和SCNCD特征，分别训练了两个XQDA模型，得到每对行人每个特征的优化距离。 然后，为了融合这两种特征的距离信息，论文采用了最小最大标准化（Min-Max Normalization）方法。这种方法可以将不同尺度或范围的距离调整到统一的尺度，避免了特征权重不平衡对最终决策的影响。通过最小最大标准化，将两种特征的距离融合为一个综合距离，用于判断两个行人样本是否为同一人。 最后，实验在两个具有挑战性的公开数据集——VIPeR和PRID 450S上进行，结果显示，提出的行人再识别算法显著提高了匹配的准确性。这表明，通过特征后融合以及有效的距离度量学习，可以有效应对跨摄像机行人再识别的复杂问题。 总结来说，这篇论文的主要贡献在于提出了一种结合多特征融合和距离度量学习的新方法，解决了行人再识别中的关键问题。通过LOMO和SCNCD特征提取、XQDA模型训练以及最小最大标准化距离融合，该算法在实际数据集上取得了良好的性能，为行人再识别技术提供了新的思路和改进方案。