基于特征融合的局部表征學習的遮擋行人重識別

摘 要：為了增強行人重識別模型（Re-identification，ReID）的遮擋感知和局部特征捕捉能力，提出一種基于特征融合的局部表征學習的方法。首先，設計遮擋樣本擴充策略，通過模擬多樣化的遮擋場景，有效提升模型的魯棒性和遮擋感知能力。其次，引入局部層次編碼器，在全局語義的指導下提取序列的空間相關性特征，從而增強局部特征的可鑒別性和語義完整性。實驗結果顯示，在Occluded-Duke和Market-1501數據集上，該方法表現出色，特別是在Occluded-Duke數據集上的rank-1達到69.2%，優于現有先進方法，提升幅度為1.3百分點，驗證了該方法在提升行人重識別任務性能方面的有效性。

關鍵詞：行人重識別;遮擋感知;局部特征;特征融合

中圖分類號：TP391 文獻標志碼：A

0 引言（Introduction）

行人重識別旨在實現不同場景與不同時間點下，對同一行人的精準識別[1]。然而，遮擋問題可能導致模型將錯誤的特征納入身份表示。當前，數據集中的遮擋樣本較少，模型的感知能力不足。金翠等[2]在每個批次的圖像上按指定概率應用隨機擦除技術，有效減少圖像錯位以及避免網絡過擬合現象的發生。ZHAO等[3]通過在同一批次圖像上從小到大隨機生成一個均勻的遮擋掩膜，使網絡逐漸學習更難的遮擋樣本而不是直接學習最難的遮擋樣本。WANG等[4]不僅考慮了目標行人被物體遮擋的情況，同時考慮了行人遮擋行人的問題，使網絡能更準確地感知目標行人。在此基礎上，本文提出一種基于特征融合的局部表征學習的重識別方法。首先通過擴充遮擋樣本數量，提升了模型的遮擋感知能力，其次設計了局部層次編碼器以增強局部特征的鑒別性。在相關數據集上的實驗結果表明，本文提出方法的性能優于大多數現有的行人重識別方法的性能。