多摄像机复杂监控环境下的行人再标识关键问题研究

Under multi-camera collaborative surveillance, person re-identification is a key technique, which can be extensively applied to city security, smart city, intelligent transport management, big video data processing and so on. Person re-identification is a research topic emerged less than a decade ago. Existing approaches still confront serious challenges due to illumination variation, complicated camera network topology, and pedestrian occlusion. This project aims to develop new robust and accurate person re-identification methods in complicated, non-overlapping and large-scale intelligent camera networks, including re-identification under drastic illumination variation, re-identification for heavily occluded images, re-identification based on transfer learning, re-identification based on deep learning, re-identification based on Video and human global trajectory modeling based on Bayesian methods. Those research contents can offer a theoretical basis of human identity verification and behavior understanding. The project aims for breaking through on theoretical methods and key techniques of person re-identification, and obtaining state-of-the-art performance on benchmark datasets. Scientific achievements of the project will enrich the relative theory on computer vision and digital image processing, and also provide Safe City and intensifying the security section with science and technology with technical support.

行人再标识是多摄像跨区域视频监控的关键技术，在城市安防、智慧城市、智能交通管理、视频大数据处理等方面具有极其广阔的应用前景。跨视域行人再标识研究开展不到十年，受环境光照变化多样、拓扑结构复杂和行人遮挡等因素影响，现有方法的实用化尚面临许多挑战。本项目拟面向复杂无交叠视域大型智能监控网络，研究高识别率和鲁棒的行人再标识新方法，包括：面向跨场景光照剧烈变化的行人再标识方法、面向残缺行人图像数据的行人再标识方法、基于迁移学习的行人再标识方法、基于深度学习的行人再标识方法、基于视频的行人再标识方法和基于贝叶斯行人轨迹建模方法等，为复杂环境下的行人身份鉴别和行为理解提供理论基础，力争在相关理论方法、核心技术等方面有所突破，在公开的数据库上取得国际领先的成绩。该项目的研究成果将丰富计算机视觉和数字图像处理的理论成果，为“平安城市”建设和科技强警提供技术保障。

行人再标识是多摄像跨区域视频监控的关键技术，在城市安防、智慧城市、视频大数据处理等方面具有极其广阔的应用前景。跨视域行人再标识研究受环境光照变化多样、拓扑结构复杂和行人遮挡等因素影响，现有方法的实用化面临许多挑战。本项目拟面向复杂无交叠视域大型智能监控网络，研究高识别率和鲁棒的行人再标识新方法，包括：面向跨场景光照剧烈变化的行人再标识方法、面向残缺行人图像数据的行人再标识方法、基于迁移学习的行人再标识方法、基于深度学习的行人再标识方法、基于视频的行人再标识方法和基于贝叶斯行人轨迹建模方法等。.项目共发表学术论文46篇，其中SCI论文22篇，包括13篇IEEE汇刊论文和4篇Patter Recognition论文，另外还有8篇CCF-A类会议论文；申请相关发明专利10件，已授权2件；构建中山大学校园行人数据库，建立了基于多摄像头视频图像的行人再识别原型系统。.主要代表性成果包括：1）提出基于排序模式的软度量学习理论与模型，并创新地提出了集成弱排序度量学习模式，通过集成采样的弱排序度量模型，使排序度量学习适应大规模数据，在不明显损失精度下，缓解大规模排序度量学习的优化计算问题，相关论文发表在IEEE TIP,属于ESI高被引论文；2）在面向海量行人数据的无监督行人再标识模型迁移研究方面，提出了一种基于多教师自适应相似度蒸馏的行人再标识算法和一种基于跨摄像头相似度一致性的无监督行人再标识算法，相应成果发表在CVPR和ICCV等权威国际会议上；3）项目对行人表征学习进行了深入的研究，针对行人视角信息挖掘、跨模态光照不变鲁棒行人特征学习、遮挡不变行人特征提取等方面取得了重要的进展和突破，相关工作发表在IEEE TPAMI、IEEE TIP等国际期刊和ICCV、ICME等国际会议上。项目的研究成果大大丰富了计算机视觉和数字图像处理的理论成果。