秦曉飛，李 為，白永升，朱 玥，羅文彤，趙 剛，賈 程，李成名，魯小東，周堅(jiān)風(fēng)

（1．上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093；2．上海理工大學(xué) 機(jī)械工程學(xué)院，上海 200093；3．杭州億美實(shí)業(yè)有限公司，浙江 杭州 310000；4．杭州億美光電科技有限公司，浙江 杭州 310000）

引 言

行人再識(shí)別技術(shù)是指在非重疊攝像頭的場(chǎng)景給定一張行人圖片，檢索該行人在另一攝像頭出現(xiàn)的所有圖像。隨著視頻監(jiān)控和圖片檢索的普及，行人再識(shí)別技術(shù)得到越來(lái)越多的關(guān)注和研究。由于受到光照變化、被物遮擋、視角和姿態(tài)的變化，視頻中的行人外觀會(huì)發(fā)生改變，這對(duì)行人再識(shí)別帶來(lái)很大的技術(shù)挑戰(zhàn)。

在目前工作中，行人再識(shí)別的研究主要集中在特征提取和度量學(xué)習(xí)這兩個(gè)方面[1]。前者主要研究如何提取更具有代表性的特征，使特征表達(dá)更加魯棒和具有辨別性；后者則是優(yōu)化行人特征空間距離，提高空間距離判別性。隨著卷積神經(jīng)網(wǎng)絡(luò)（ConvNets）在計(jì)算機(jī)視覺(jué)方面取得越來(lái)越多的成果，端到端的學(xué)習(xí)方法也被運(yùn)用到行人再識(shí)別任務(wù)中。Li等[2]利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)兩張輸入圖片進(jìn)行特征提取，并針對(duì)特征圖水平條紋進(jìn)行相似度比較。Ahmed等[3]提出將圖片分為不同的塊，利用一個(gè)淺層網(wǎng)絡(luò)比較相鄰塊的差異，再利用一個(gè)網(wǎng)絡(luò)層總結(jié)上層網(wǎng)絡(luò)的差異。Gray等[4]提出將行人再識(shí)別視為一個(gè)二分類(lèi)問(wèn)題，利用孿生網(wǎng)絡(luò)分別提取圖片的特征并進(jìn)行匹配。這些方法通過(guò)利用CNN（convolutional network）提取特征并結(jié)合空間對(duì)應(yīng)關(guān)系來(lái)進(jìn)行相似度比較。然而這些方法只是針對(duì)完整的行人圖片，沒(méi)有考慮光照、遮擋、姿態(tài)引起的空間信息的變化，也忽略了行人各部位的辨別性信息。卷積神經(jīng)網(wǎng)絡(luò)算法取得良好效果的同時(shí)也帶來(lái)了大量的模型參數(shù)，應(yīng)用到行人再識(shí)別任務(wù)時(shí)由于較小的數(shù)據(jù)集會(huì)產(chǎn)生過(guò)擬合現(xiàn)象。為了解決這個(gè)問(wèn)題，Yi等[5]提出將行人圖片分割為重疊的三部分，然后利用孿生網(wǎng)絡(luò)比較對(duì)應(yīng)兩部分的相似度。然而該方法在特征層進(jìn)行相似度比較時(shí)容易帶來(lái)大量參數(shù)，從而引起過(guò)擬合現(xiàn)象。為了解決這個(gè)問(wèn)題，通過(guò)充分利用局部部位的空間信息，Amores等[6]提出了將行人特征映射到距離空間的一種MIL算法，這樣可以減少背景噪聲的干擾并減輕過(guò)擬合的產(chǎn)生。

為了在行人外觀發(fā)生顯著變化的情況下進(jìn)一步提高行人再識(shí)別的準(zhǔn)確性，本文提出了一種基于孿生網(wǎng)絡(luò)和多距離融合的行人再識(shí)別算法。先利用孿生網(wǎng)絡(luò)提取行人子空間特征，同時(shí)采用改進(jìn)的inception模塊提取具有辨識(shí)性的行人特征，計(jì)算獲取行人局部特征空間距離，然后采取Chamfer距離變換進(jìn)行距離融合，并對(duì)獲取的行人空間距離進(jìn)行重排序，從而進(jìn)行行人再識(shí)別。

1 網(wǎng)絡(luò)結(jié)構(gòu)

1.1 整體網(wǎng)絡(luò)結(jié)構(gòu)

本文采用的整體網(wǎng)絡(luò)結(jié)構(gòu)是孿生網(wǎng)絡(luò)結(jié)構(gòu)，孿生網(wǎng)絡(luò)由完全相同的兩個(gè)網(wǎng)絡(luò)分支組成，每個(gè)分支用來(lái)提取判別性特征，并且融合了contrastive loss（對(duì)比損失），其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。對(duì)于輸入圖像，我們采用Yi等[5]所提的滑框的方法得到數(shù)量L=6的局部塊，每個(gè)局部塊我們標(biāo)記為，其中i表示分割的第i個(gè)局部塊,j表示所要比較的第j個(gè)空間距離。我們?cè)诿總€(gè)分支上采用改進(jìn)的inception模塊提取特征，并且權(quán)重共享。圖1是本文提出包括兩個(gè)分支的孿生網(wǎng)絡(luò)結(jié)構(gòu)，每個(gè)CNN分支由conv1-conv3卷積層和三個(gè)inception模塊組成，其中conv1-conv3卷積層提取淺層特征，而三個(gè)inception模塊用來(lái)提取深層特征，最后通過(guò)兩個(gè)全連接層輸出300維的向量。

圖1 本文網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig. 1 Network structure diagram of this paper

1.2 改進(jìn)的 Inception 模塊

本文采取了inception模塊來(lái)提取特征，Inception模塊是2014年在GoogleNet中首先使用的一個(gè)模塊[7]，具有增加特征表達(dá)和減少計(jì)算的優(yōu)點(diǎn)。由于其采用了多個(gè)尺寸的卷積核，可以增強(qiáng)網(wǎng)絡(luò)的適應(yīng)力，處理更多、更豐富的空間特性，增加特征提取多樣性。模塊加入了池化層和BN（batch norm），池化層主要用來(lái)降低空間維度，BN則是一種很有效的正則化方法，這樣可以加快網(wǎng)絡(luò)的訓(xùn)練速度。batch norm批處理化這種方式在ReLU層之前使用，可以大大加快收斂過(guò)程。由于攝像頭的視角轉(zhuǎn)換和行人姿態(tài)不同導(dǎo)致圖像差異，我們采用Max pooling池化方式取局部最大激活并作為接下來(lái)層的輸入，可以保持局部變形的不變性質(zhì)。由于原始的inception卷積核較大導(dǎo)致收斂速度變慢而影響算法性能，我們?cè)谠瓉?lái)inception模塊基礎(chǔ)上做了改進(jìn)，將原來(lái)5×5的卷積核用兩個(gè)3×3卷積核替代，這樣可以節(jié)約大量的參數(shù)，加速計(jì)算并且減輕過(guò)擬合。每個(gè)全連接組包含了一個(gè)全連接層、一個(gè)BN層以及激活函數(shù)ReLU層。改進(jìn)的inception模塊如圖2所示，基本網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

2 多距離融合算法

2.1 整體算法框架

由于行人圖片受到光照、視角和姿態(tài)的差異，外觀變化顯著，整體特征無(wú)法描述一個(gè)人的局部信息，而且在訓(xùn)練的過(guò)程中由于數(shù)據(jù)集較小會(huì)出現(xiàn)過(guò)擬合等問(wèn)題。為了獲得更好的行人局部空間特征信息，提高跨攝像頭行人再識(shí)別的準(zhǔn)確率并減少過(guò)擬合現(xiàn)象，本文提出一種多距離融合的方法，利用孿生網(wǎng)絡(luò)提取圖片子空間特征，并將其映射到一個(gè)距離空間，這樣我們就能得到比整張圖片更有判別性的空間融合距離。本文距離融合網(wǎng)絡(luò)由三部分組成，分別為特征提取部分，距離融合部分和重排序部分。多距離融合算法可以更充分利用行人局部空間信息，并在映射的距離空間度量其相似度，減少了過(guò)擬合現(xiàn)象。其算法框架如圖3所示。

圖2 本文所采用的 inception 模塊Fig. 2 Basic structure of inception module of this paper

表1 基本網(wǎng)絡(luò)結(jié)構(gòu)Tab. 1 Basic network structure

通過(guò)孿生網(wǎng)絡(luò)，我們對(duì)每個(gè)查詢圖片（probe image）和候選圖片（gallery image）提取特征，然后計(jì)算每個(gè)局部塊之間空間距離，其L2規(guī)范化特征空間距離我們可以通過(guò)式（1）求得。

2.2 Chamfer 距離變換和多距離融合

由于采取了多距離融合算法，為了增強(qiáng)跨攝像頭下的行人距離度量的魯棒性。本文采用Chamfer距離變換。Chamfer距離變換具有對(duì)稱性，被運(yùn)用在邊緣檢測(cè)方面可以減少奇異距離對(duì)融合距離的影響，有效增強(qiáng)融合距離的魯棒性。對(duì)于每個(gè)局部塊對(duì)的空間距離，其空間距離如下：

圖3 本文所提多距離融合算法框架Fig. 3 The framework of multi-distance fusion algorithms

為了提高空間距離魯棒性，行人空間距離使用Chamfer變換式，即

為了得到最終融合距離，我們將每個(gè)圖像塊的空間融合距離表示如下：

由此我們可以計(jì)算行人圖片的空間距離，可以對(duì)候選圖片進(jìn)行重排序，最終得到排序的結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

我們使用了Windows10操作系統(tǒng)和GPU1080的電腦，應(yīng)用Pytorch框架進(jìn)行編程，在最具有挑戰(zhàn)性的兩個(gè)公開(kāi)數(shù)據(jù)集VIPeR和CUHK03上進(jìn)行實(shí)驗(yàn)，并且每個(gè)數(shù)據(jù)集在同等條件下訓(xùn)練10次，最后取平均值作為測(cè)試結(jié)果。采用累積匹配特性（CMC）曲線和平均精度均值mAP作為算法框架評(píng)價(jià)指標(biāo)。

3.1 數(shù)據(jù)庫(kù)介紹與設(shè)置

我們?cè)诋?dāng)前廣泛使用的兩個(gè)公開(kāi)數(shù)據(jù)集VIPeR[8]和CUHK03[2]上測(cè)試了我們所提算法的有效性。VIPeR數(shù)據(jù)集是行人再識(shí)別領(lǐng)域最受歡迎和富有挑戰(zhàn)性的數(shù)據(jù)集。它包含了632個(gè)行人的1264張圖片，這些圖片是由兩個(gè)相互獨(dú)立的攝像頭在室外環(huán)境下采集得到，如果單個(gè)行人在其中一個(gè)攝像頭下出現(xiàn)，則在另一個(gè)攝像頭下會(huì)采集到該行人相應(yīng)的人像。由于其具有豐富的視角變換、姿態(tài)轉(zhuǎn)換和不同的光照條件，VIPeR數(shù)據(jù)集充滿了挑戰(zhàn)性。CUHK03數(shù)據(jù)集是一個(gè)由5對(duì)攝像頭采集于香港科技大學(xué)的數(shù)據(jù)集，它包含了1 467個(gè)行人的共計(jì)超過(guò)14 000張圖片，每個(gè)行人都會(huì)在非重疊攝像頭下被采集并平均擁有4.8張圖片。CUHK03數(shù)據(jù)集應(yīng)用手工標(biāo)注和自動(dòng)標(biāo)注兩種標(biāo)注方式，本文在這兩種標(biāo)注方式下分別做了實(shí)驗(yàn)。CUHK03是當(dāng)前比較大的一個(gè)行人再識(shí)別數(shù)據(jù)集。

3.2 單一距離與多距離融合算法比較

采取相同結(jié)構(gòu)的孿生網(wǎng)絡(luò)提取特征，在VIPeR和CUHK03兩個(gè)數(shù)據(jù)集上測(cè)試我們所提多距離融合算法的有效性，結(jié)果如圖4所示。由此得到，在VIPeR和CUHK03數(shù)據(jù)集（Labeled）下采取多距離融合算法達(dá)到的排序1的識(shí)別率分別為43.2%和62.3%，而未采取多距離融合算法的識(shí)別率分別為35.1%和48.4%。采用CUHK03數(shù)據(jù)集對(duì)不同的滑框尺度進(jìn)行性能比較，得到結(jié)果如表2所示。通過(guò)表2可以看出，當(dāng)局部塊數(shù)量L=6時(shí)，在Labeled和Detected兩種標(biāo)注方式下的rank-1和mAP都最高，即效果最好。由此可見(jiàn)，本文提出的基于孿生網(wǎng)絡(luò)和多距離融合的行人再識(shí)別算法能夠有效提高行人再識(shí)別準(zhǔn)確率。

圖4 采用不同空間距離在VIPeR和CUHK03數(shù)據(jù)集（Labeled）上的CMC性能比較Fig. 4 CMC performance comparison on VIPeR and CUHK03（Labeled）data sets using different spatial distances

3.3 與其他先進(jìn)算法比較

本文分別在VIPeR和CUHK03兩個(gè)數(shù)據(jù)集下，與近幾年行人再識(shí)別的其他先進(jìn)算法進(jìn)行性能比較。在VIPeR數(shù)據(jù)集上我們和當(dāng)今的先進(jìn)算法比較，本文網(wǎng)絡(luò)結(jié)構(gòu)更深并且包含了更多的網(wǎng)絡(luò)參數(shù)，但取得了更好的再識(shí)別準(zhǔn)確率，這表明本文算法有效地減輕了過(guò)擬合現(xiàn)象。表3、表4分別給出了相應(yīng)的CMC性能比較結(jié)果，其中rankn表示前n張圖片至少有一個(gè)正確檢索行人的概率，rank-1通常代表算法性能的好壞。由表3和表4可知，本文提出的算法在VIPeR和CUHK03兩個(gè)數(shù)據(jù)集下，性能都高于近幾年所提的行人再識(shí)別算法，說(shuō)明本文基于孿生網(wǎng)絡(luò)和多距離融合算法有助于提高行人再識(shí)別算法的準(zhǔn)確率。

表2 采用不同滑框尺度的性能對(duì)比Tab. 2 The Performance comparison of different scales of sliding windows %

表4 在CUHK03數(shù)據(jù)集本文算法和先進(jìn)算法對(duì)比Tab. 4 Comparisons between the proposed algorithm and the advanced algorithm on CUHK03 dataset %

4 結(jié)束語(yǔ)

本文提出了基于孿生網(wǎng)絡(luò)和多距離融合的行人再識(shí)別算法。利用孿生網(wǎng)路提取行人局部塊特征，比傳統(tǒng)手工特征更具有辨識(shí)性和魯棒性。在度量學(xué)習(xí)方面，采用將多個(gè)局部塊距離融合的多距離融合方法，并應(yīng)用于行人再識(shí)別方面，減輕了過(guò)擬合現(xiàn)象。在當(dāng)前流行的VIPeR和CUHK03兩個(gè)公開(kāi)行人再識(shí)別數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明了本文所提算法能有效提高行人再設(shè)別的準(zhǔn)確率。

表3 在VIPeR數(shù)據(jù)集上本文算法和先進(jìn)算法對(duì)比Tab. 3 Comparisons between the proposed algorithm and the advanced algorithm on VIPeR dataset %