2 工程科学学报，第44卷，第X期 on local features,generative adversarial networks,video data,and re-ranking.A detailed comparative study of these four methods is then conducted.Finally,the existing problems and future studies that can be done in the field of person re-identification are analyzed and discussed KEY WORDS deep learning;person re-identification;local feature;generating adversarial networks;video data;reranking 行人重识别(Personre-identification,Person RelD), Result 是利用计算机视觉技术对跨摄像头的人员图像进 行特征提取，从而进行人员匹配的技术，广泛应用 Cam I Cam 2 于智慧安防、智慧零售等领域，是人工智能技术与 产业结合的重要支点.在早期的行人重识别研究 中，大量的工作是基于传统计算机视觉方法，利用 手工提取的图像特征，进行行人重识别的研究.近 年来，随着深度学习在许多领域的成功应用，研究 Query Gallery Rank-1 人员们开始尝试将深度学习应用到行人重识别 图1行人重识别的应用场景示例 上，并已取得一定的成果.其主要研究思路为采用 Fig.1 An example of person re-identification application scenarios 深度学习方法进行特征向量提取，再利用度量学 法进行了梳理 习对特征向量进行判别，将图像之间的差异量化， 1.1行人重识别数据集介绍 并使用大量标注数据对模型进行训练迭代.本文 行人重识别的研究方法从基于传统的人工特 首先对行人重识别的概念、数据集以及两个基本 征发展为基于深度学习方法，离不开大规模数据 方法进行介绍，之后，根据研究思路的不同，将当 集的发展四目前常用的行人重识别数据集主要有 前的方法分为基于局部特征、基于生成对抗网 以下几种：CUHK03数据集)，Marketl501数据集 络、基于视频以及基于重排序4个方向并分别对 以及DukeMTMC-reID!s,其中CUHKO3数据集的ID 其进行分析和讨论.最后，对行人重识别现存问题 划分分为新旧两种协议，即1367/100与767/7006， 进行归纳整理，并对未来的研究方向进行展望 具体信息如表1所示.在基于视频的行人重识别 1行人重识别 领域广泛应用的数据集主要有PRID20I1☑以及 LIDS-VID1,分别收录了984与300个行人的视频 行人重识别是长时、跨域多目标跟踪的核心 信息，其他视频数据集信息如表2所示 技术川，其主要目标是对同一个行人进行跨摄像头 除了以上几个已经开源的常用数据集以外， 的再识别.在研究中，通常给定一个目标行人图像 近几年内还有一些优秀的数据集被提出，其中比 或者视频片段，在待匹配的图像序列或者视频片 较典型的有：北京大学采集的MSMT179数据集， 段中，识别出目标行人，并给出目标图像与匹配图 包含室内室外15个相机的12万多张行人图像， 像的相似度.如图1所示，两个视野不重合的监控 有4千多个行人ID,是目前最大的单帧RelD数据 摄像头，在不同的时段分别采集了一些行人图像， 集；北京大学和微软研究院联合采集的LvrelD数 从摄像头1采集的图像中选择一张作为目标图像 据集，包含室内室外15个相机的3千多个行人ID 行人重识别的目标就是在摄像头2所采集的图像 的序列图像，总共14943个序列的3百多万张图 中，通过寻找和目标图像匹配度最高的图像，再次 像；北京航空航天大学等采集的LPWo数据集， 将该人物识别出来，实现对行人的跨摄像头跟踪. 包含2731个行人的7694个轨迹序列，总共有56万 行人重识别是一项具有挑战性的任务，它的 多张图像，该数据集的特点是有多个独立的场景， 数据一般来自于安防系统.在系统中，不同摄像设 每个场景都可以作为一个独立的数据集，训练集 备之间的背景、风格具有较大差异，同时行人外观 和侧试集按照场景分开，因此更加接近真实使用 易受遮挡、穿着、视角和姿态等多种因素的影响， 情况：Yu等]提出一种衣着变换的数据集COCAS, 这就使得行人重识别成为一个具有一定挑战性的 含有5266个行人D,共62382个行人检测框，由手 研究课题，同时具有较高的研究价值.图2对当前 工标注得到.2020年以来，一些优秀的行人重识别数 基于深度学习的行人重识别存在的问题与解决方 据集也被相继提出；由中山大学提出的SYSU-302on local features, generative adversarial networks, video data, and re-ranking. A detailed comparative study of these four methods is then conducted. Finally, the existing problems and future studies that can be done in the field of person re-identification are analyzed and discussed. KEY WORDS    deep learning；person re-identification；local feature；generating adversarial networks；video data；reranking 行人重识别（Person re-identification，Person ReID）， 是利用计算机视觉技术对跨摄像头的人员图像进 行特征提取，从而进行人员匹配的技术，广泛应用 于智慧安防、智慧零售等领域，是人工智能技术与 产业结合的重要支点. 在早期的行人重识别研究 中，大量的工作是基于传统计算机视觉方法，利用 手工提取的图像特征，进行行人重识别的研究. 近 年来，随着深度学习在许多领域的成功应用，研究 人员们开始尝试将深度学习应用到行人重识别 上，并已取得一定的成果. 其主要研究思路为采用 深度学习方法进行特征向量提取，再利用度量学 习对特征向量进行判别，将图像之间的差异量化， 并使用大量标注数据对模型进行训练迭代. 本文 首先对行人重识别的概念、数据集以及两个基本 方法进行介绍. 之后，根据研究思路的不同，将当 前的方法分为基于局部特征、基于生成对抗网 络、基于视频以及基于重排序 4 个方向并分别对 其进行分析和讨论. 最后，对行人重识别现存问题 进行归纳整理，并对未来的研究方向进行展望. 1    行人重识别 行人重识别是长时、跨域多目标跟踪的核心 技术[1] ，其主要目标是对同一个行人进行跨摄像头 的再识别. 在研究中，通常给定一个目标行人图像 或者视频片段，在待匹配的图像序列或者视频片 段中，识别出目标行人，并给出目标图像与匹配图 像的相似度. 如图 1 所示，两个视野不重合的监控 摄像头，在不同的时段分别采集了一些行人图像， 从摄像头 1 采集的图像中选择一张作为目标图像. 行人重识别的目标就是在摄像头 2 所采集的图像 中，通过寻找和目标图像匹配度最高的图像，再次 将该人物识别出来，实现对行人的跨摄像头跟踪. 行人重识别是一项具有挑战性的任务，它的 数据一般来自于安防系统. 在系统中，不同摄像设 备之间的背景、风格具有较大差异，同时行人外观 易受遮挡、穿着、视角和姿态等多种因素的影响， 这就使得行人重识别成为一个具有一定挑战性的 研究课题，同时具有较高的研究价值. 图 2 对当前 基于深度学习的行人重识别存在的问题与解决方 法进行了梳理. 1.1    行人重识别数据集介绍 行人重识别的研究方法从基于传统的人工特 征发展为基于深度学习方法，离不开大规模数据 集的发展[2] . 目前常用的行人重识别数据集主要有 以下几种：CUHK03 数据集[3] ，Market1501[4] 数据集 以及 DukeMTMC-reID[5] ，其中 CUHK03 数据集的 ID 划分分为新旧两种协议，即 1367/100 与 767/700[6] ， 具体信息如表 1 所示. 在基于视频的行人重识别 领域广泛应用的数据集主要有 PRID2011[7] 以及 iLIDS-VID[8] ，分别收录了 984 与 300 个行人的视频 信息，其他视频数据集信息如表 2 所示. 除了以上几个已经开源的常用数据集以外， 近几年内还有一些优秀的数据集被提出，其中比 较典型的有：北京大学采集的 MSMT17[9] 数据集， 包含室内室外 15 个相机的 12 万多张行人图像， 有 4 千多个行人 ID，是目前最大的单帧 ReID 数据 集；北京大学和微软研究院联合采集的 LvreID 数 据集，包含室内室外 15 个相机的 3 千多个行人 ID 的序列图像，总共 14943 个序列的 3 百多万张图 像；北京航空航天大学等采集的 LPW[10] 数据集， 包含 2731 个行人的 7694 个轨迹序列，总共有 56 万 多张图像，该数据集的特点是有多个独立的场景， 每个场景都可以作为一个独立的数据集，训练集 和测试集按照场景分开，因此更加接近真实使用 情况；Yu 等[11] 提出一种衣着变换的数据集 COCAS， 含有 5266 个行人 ID，共 62382 个行人检测框，由手 工标注得到. 2020 年以来，一些优秀的行人重识别数 据集也被相继提出；由中山大学提出的 SYSU-30[12] Result Cam 1 Cam 2 Query Gallery Rank-1 图 1    行人重识别的应用场景示例 Fig.1    An example of person re-identification application scenarios · 2 · 工程科学学报，第 44 卷，第 X 期