[论文解读] Distance-based Camera Network Topology Inference for Person Re-identification

Yeong-Jun Cho, Kuk‐Jin Yoon|arXiv (Cornell University)|Dec 1, 2017

Video Surveillance and Tracking Methods参考文献 52被引用 3

一句话总结

本文提出一种基于距离的相机网络拓扑推断方法，用于行人重识别，通过利用标定的相机参数和行人行走速度来估计相机间距离，从而在大规模监控中提升准确性。该方法结合了人体身高带来的相对尺度估计与自适应的速度感知拓扑，优于基于时间的方法，尤其在行人速度多变的情况下表现更优，在 SLP 数据集上实现了 20 秒平均搜索范围下的卓越重识别性能。

ABSTRACT

In this paper, we propose a novel distance-based camera network topology inference method for efficient person re-identification. To this end, we first calibrate each camera and estimate relative scales between cameras. Using the calibration results of multiple cameras, we calculate the speed of each person and infer the distance between cameras to generate distance-based camera network topology. The proposed distance-based topology can be applied adaptively to each person according to its speed and handle diverse transition time of people between non-overlapping cameras. To validate the proposed method, we tested the proposed method using an open person re-identification dataset and compared to state-of-the-art methods. The experimental results show that the proposed method is effective for person re-identification in the large-scale camera network with various people transition time.

研究动机与目标

• 为解决在非重叠相机网络中因行人过渡时间变化而导致的行人重识别不准确问题。
• 克服基于时间的相机网络拓扑所存在的局限性，即假设行走速度均匀，难以应对速度变化。
• 开发一种鲁棒且自适应的拓扑推断方法，结合空间距离与个体速度，以改善搜索空间的限制。
• 验证基于距离的拓扑在减少误报和提升重识别准确性方面，相较于最先进基于时间的方法的有效性。

提出的方法

• 使用自标定技术对相机进行标定，以估计外参（至尺度），解决三维重建中的尺度模糊问题。
• 利用人体身高信息估计相机之间的相对尺度比，以校正尺度模糊并提升距离估计的准确性。
• 从标定后的相机数据和时间追踪信息中计算个体行人的速度，以推断过渡时间。
• 通过将行人速度乘以过渡时间来计算相机间的距离，从而构建基于距离的相机网络拓扑。
• 根据个体行走速度动态调整时间搜索范围，实现对每个行人自适应的速度感知重识别。
• 在所有方法中使用一致的特征提取与池化基线，以确保基于时间与基于距离的拓扑之间比较的公平性。

实验结果

研究问题

• RQ1 基于距离的相机网络拓扑是否能在大规模相机网络中提升行人重识别性能，相比基于时间的拓扑？
• RQ2 所提出的方法如何应对挑战基于时间拓扑推断的多样化行人行走速度？
• RQ3 从人体身高估计的尺度在多大程度上提升了相机间距离推断的准确性？
• RQ4 对每个个体自适应应用基于距离的拓扑，是否优于固定的时间搜索范围？

主要发现

• 所提出的基于距离的方法在 5–10 秒搜索范围内检索率更高，表明在过渡时间变化时表现更优。
• 使用估计相机参数的方法（本文方法）与使用真实参数基线（gt）表现相当，表明对校准误差具有鲁棒性。
• 即使存在 25% 的尺度误差，基于距离的方法仍优于基于时间的方法，显示出对校准不准确的强适应能力。
• 基于距离的拓扑产生的过渡时间分布更清晰、更窄，方差更小，表明拓扑推断更准确。
• 尽管使用了更简单的特征池化方法，所提出的基于距离的重识别方法仍优于使用更复杂模型（如随机森林）的最先进方法。
• 在相同 20 秒平均搜索范围下，基于距离的拓扑所实现的重识别性能仍优于基于时间的拓扑。