10 工程科学学报，第44卷，第X期 络参数，实现在线人工标注，有效地提升识别的精 基于重排序4个方向，对现有的基于深度学习的 度.Sarfraz啊等提出了一种基于交叉最近邻距离 行人重识别方法进行了归纳与总结，针对近一年 的无监督自动重排序框架，是当时性能最佳的重 的成果做出分析与讨论，并对现存的主要问题与 排序方法. 未来的研究方向进行阐述.当前基于深度学习的 评价与总结：针对常规方法在排序结果上存 行人重识别问题研究尚未成熟，仍然存在诸多未 在的一些问题，学者们另辟蹊径，通过相关方法对 解决的问题.本文针对当前现有的行人重识别方 排序结果进行优化，在没有大幅增加计算量与参 法进行综述，旨在使读者对基于深度学习的行人 数量的前提下，有效地提升了行人重识别算法的 重识别方法有全面的了解，为开展行人重识别领 精度，同时重排序方法可以直接的应用到其他高 域的研究提供帮助， 精度的行人重识别算法中，是一种提升模型性能 的有效方法，同时也是未来的一个热门研究方向 参考文献 [1]Ye M,Shen J B,Lin G J,et al.Deep learning for person re- 4 当前问题与未来展望 identification:a survey and outlook [J/OL].Arxiv Perprint (2020- 4.1当前存在问题 01-13)[2020-12-22].htps://arxiv.org/abs/2001.04193 [2] Karanam S,Gou M R.WuZ Y,et al.A systematic evaluation and (1)现有的研究方法大多基于切割的行人图像， benchmark for person re-identification:Features,metrics,and 而实际的工业场景应用则基于全局图像，这就需 datasets.IEEE Trans Pattern Anal Mach Intell,2019,41(3):523 要人工或者基于目标检测方法对图像进行切割 [3] Li W,Zhao R,Xiao T,et al.DeepRelD:Deep filter pairing neural (2)全监督学习方法需要对数据进行完整的 network for person re-identification /Proceedings of the IEEE 标注，而行人重识别的数据标注较为复杂，且需要 Conference on Computer Vision and Pattern Recognition Columbus,2014:152 标注人员D、摄像头的编号、视频编号等属性，导 [4]Zheng L,Shen L,Tian L,et al.Scalable person re-identification:a 致行人重识别数据集相对较小 Benchmark /2015 IEEE International Conference on Computer (3)行人重识别模型在不同数据集的表现差 Vision.Santiago,2015:1116 异很大，泛化能力较差. [5] Zheng Z D.Zheng L Yang Y.Unlabeled samples generated by (4)行人重识别算法一般需要部署在边缘计 GAN improve the person re-identification baseline in vitro //2017 算设备上，如智能监控摄像头、嵌入式设备等.现 IEEE International Conference on Computer Vision (ICCV). Venice,2017:3774 有的算法参数量与计算量较大，无法满足边缘设 [6] Zhong Z,Zheng L,Cao D L,et al.Re-ranking person re- 备的算力要求 identification with k-reciprocal encoding /2017 IEEE Conference 4.2未来研究方向 on Computer Vision and Pattern Recognition(CVPR).Honolulu, (1)端到端学习：结合目标检测算法与行人重 2017:3652 识别方法，进行端到端行人重识别模型的研究，实 [7]Hirzer M.Beleznai C.Roth P M,et al.Person re-identification by 现直接使用采集的图像或者视频进行训练和实际 descriptive and discriminative classification /Scandinavian Conference on Image Analysis.Ystad Sal,2011:91 的应用 [8] Wang T Q,Gong S G,Zhu X T,et al.Person re-identification by (2)半监督学习的性能优化：如何在保证模型 discriminative selection in video ranking.IEEE Trans Pattern Anal 表征学习能力的基础上，提出更加有效的半监督 Mach Intell,2016,38(12):2501 学习方法，降低数据标注的工作量，是行人重识别 [9] Wei L H,Zhang S L,Gao W,et al.Person transfer GAN to bridge 未来研究的热点问题， domain gap for person re-identification /2018 /EEE/CVF Conference on Computer Vision and Pattern Recognition.Salt (3)数据集的迁移：模型的泛化能力是深度学 Lake City,2018:79 习领域所面对的一个共同问题，因此跨数据集的 [10]Song G L,Leng B.Liu Y,et al.Region-based quality estimation 行人重识别模型研究仍然是未来的研究热点 network for large-scale person re-identification [J/OL].xiv (4)轻量化模型：对行人重识别进行轻量化模 Perprint (2017-11-23)[2020-12-22].https://arxiv.org/abs/1711 型研究，降低模型参数量，提升模型运行速度，为 08766 算法在工业领域的部署应用提供可能 [11]Yu S J,Li S H,Chen D P,et al.COCAS:A large-scale clothes changing person dataset for Re-identification /2020 /EEE/CVF 4.3总结 Conference on Computer Vision and Pattern Recognition(CVPR). 本文针对行人重识别领域的研究现状，从基 Seattle,,2020:3397 于局部特征、基于生成对抗网络、基于视频以及 [12]Wang G R,Wang G C,Zhang X J,et al.Weakly supervised person络参数，实现在线人工标注，有效地提升识别的精 度. Sarfraz[95] 等提出了一种基于交叉最近邻距离 的无监督自动重排序框架，是当时性能最佳的重 排序方法. 评价与总结：针对常规方法在排序结果上存 在的一些问题，学者们另辟蹊径，通过相关方法对 排序结果进行优化，在没有大幅增加计算量与参 数量的前提下，有效地提升了行人重识别算法的 精度，同时重排序方法可以直接的应用到其他高 精度的行人重识别算法中，是一种提升模型性能 的有效方法，同时也是未来的一个热门研究方向. 4    当前问题与未来展望 4.1    当前存在问题 （1）现有的研究方法大多基于切割的行人图像， 而实际的工业场景应用则基于全局图像，这就需 要人工或者基于目标检测方法对图像进行切割. （2）全监督学习方法需要对数据进行完整的 标注，而行人重识别的数据标注较为复杂，且需要 标注人员 ID、摄像头的编号、视频编号等属性，导 致行人重识别数据集相对较小. （3）行人重识别模型在不同数据集的表现差 异很大，泛化能力较差. （4）行人重识别算法一般需要部署在边缘计 算设备上，如智能监控摄像头、嵌入式设备等. 现 有的算法参数量与计算量较大，无法满足边缘设 备的算力要求. 4.2    未来研究方向 （1）端到端学习：结合目标检测算法与行人重 识别方法，进行端到端行人重识别模型的研究，实 现直接使用采集的图像或者视频进行训练和实际 的应用. （2）半监督学习的性能优化：如何在保证模型 表征学习能力的基础上，提出更加有效的半监督 学习方法，降低数据标注的工作量，是行人重识别 未来研究的热点问题. （3）数据集的迁移：模型的泛化能力是深度学 习领域所面对的一个共同问题，因此跨数据集的 行人重识别模型研究仍然是未来的研究热点. （4）轻量化模型：对行人重识别进行轻量化模 型研究，降低模型参数量，提升模型运行速度，为 算法在工业领域的部署应用提供可能. 4.3    总结 本文针对行人重识别领域的研究现状，从基 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，对现有的基于深度学习的 行人重识别方法进行了归纳与总结，针对近一年 的成果做出分析与讨论，并对现存的主要问题与 未来的研究方向进行阐述. 当前基于深度学习的 行人重识别问题研究尚未成熟，仍然存在诸多未 解决的问题. 本文针对当前现有的行人重识别方 法进行综述，旨在使读者对基于深度学习的行人 重识别方法有全面的了解，为开展行人重识别领 域的研究提供帮助. 参    考    文    献 Ye  M,  Shen  J  B,  Lin  G  J,  et  al.  Deep  learning  for  person  re￾identification: a survey and outlook [J/OL]. Arxiv Perprint (2020- 01-13) [2020-12-22]. https://arxiv.org/abs/2001.04193 [1] Karanam S, Gou M R, Wu Z Y, et al. A systematic evaluation and benchmark  for  person  re-identification:  Features,  metrics,  and datasets. IEEE Trans Pattern Anal Mach Intell, 2019, 41（3）: 523 [2] Li W, Zhao R, Xiao T, et al. DeepReID: Deep filter pairing neural network  for  person  re-identification  // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Columbus, 2014: 152 [3] Zheng L, Shen L, Tian L, et al. Scalable person re-identification: a Benchmark  //  2015 IEEE International Conference on Computer Vision. Santiago, 2015: 1116 [4] Zheng  Z  D,  Zheng  L,  Yang  Y.  Unlabeled  samples  generated  by GAN improve the person re-identification baseline in vitro // 2017 IEEE International Conference on Computer Vision (ICCV). Venice, 2017: 3774 [5] Zhong  Z,  Zheng  L,  Cao  D  L,  et  al.  Re-ranking  person  re￾identification with k-reciprocal encoding // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).  Honolulu, 2017: 3652 [6] Hirzer M, Beleznai C, Roth P M, et al. Person re-identification by descriptive  and  discriminative  classification  // Scandinavian Conference on Image Analysis. Ystad Sal, 2011: 91 [7] Wang T Q, Gong S G, Zhu X T, et al. Person re-identification by discriminative selection in video ranking. IEEE Trans Pattern Anal Mach Intell, 2016, 38（12）: 2501 [8] Wei L H, Zhang S L, Gao W, et al. Person transfer GAN to bridge domain  gap  for  person  re-identification  //  2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.  Salt Lake City, 2018: 79 [9] Song G L, Leng B, Liu Y, et al. Region-based quality estimation network  for  large-scale  person  re-identification  [J/OL]. Arxiv Perprint (2017-11-23)  [2020-12-22].https://arxiv.org/abs/1711. 08766 [10] Yu  S  J,  Li  S  H,  Chen  D  P,  et  al.  COCAS:  A  large-scale  clothes changing  person  dataset  for  Re-identification  //  2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle, 2020: 3397 [11] [12] Wang G R, Wang G C, Zhang X J, et al. Weakly supervised person · 10 · 工程科学学报，第 44 卷，第 X 期