基于特征融合的局部表征学习的遮挡行人重识别

摘 要：为了增强行人重识别模型（Re-identification，ReID）的遮挡感知和局部特征捕捉能力，提出一种基于特征融合的局部表征学习的方法。首先，设计遮挡样本扩充策略，通过模拟多样化的遮挡场景，有效提升模型的鲁棒性和遮挡感知能力。其次，引入局部层次编码器，在全局语义的指导下提取序列的空间相关性特征，从而增强局部特征的可鉴别性和语义完整性。实验结果显示，在Occluded-Duke和Market-1501数据集上，该方法表现出色，特别是在Occluded-Duke数据集上的rank-1达到69.2%，优于现有先进方法，提升幅度为1.3百分点，验证了该方法在提升行人重识别任务性能方面的有效性。

关键词：行人重识别;遮挡感知;局部特征;特征融合

中图分类号：TP391 文献标志码：A

0 引言（Introduction）

行人重识别旨在实现不同场景与不同时间点下，对同一行人的精准识别[1]。然而，遮挡问题可能导致模型将错误的特征纳入身份表示。当前，数据集中的遮挡样本较少，模型的感知能力不足。金翠等[2]在每个批次的图像上按指定概率应用随机擦除技术，有效减少图像错位以及避免网络过拟合现象的发生。ZHAO等[3]通过在同一批次图像上从小到大随机生成一个均匀的遮挡掩膜，使网络逐渐学习更难的遮挡样本而不是直接学习最难的遮挡样本。WANG等[4]不仅考虑了目标行人被物体遮挡的情况，同时考虑了行人遮挡行人的问题，使网络能更准确地感知目标行人。在此基础上，本文提出一种基于特征融合的局部表征学习的重识别方法。首先通过扩充遮挡样本数量，提升了模型的遮挡感知能力，其次设计了局部层次编码器以增强局部特征的鉴别性。在相关数据集上的实验结果表明，本文提出方法的性能优于大多数现有的行人重识别方法的性能。