五分钟告诉你什么是Person Re-ID技术

Re-ID 技术缘何而生？

近年来，人脸识别技术的成熟使得机器在辨别人脸的能力上大举超过人类，在构建“智慧城市”、“平安城市”等方面也得到了广泛应用。然而在实际应用的场景中，摄像头并非在任何情况下都可以拍摄到清晰人脸。不仅如此，在实际的场景中，一个摄像头往往无法覆盖所有区域，而多摄像头之间一般也没有重叠。

五分钟告诉你什么是Person Re-ID技术

因此，用全身信息来对人员进行锁定和查找就变得十分必要——通过将整体行人特征作为人脸之外的重要补充，实现对行人的跨摄像头跟踪。于是，计算机视觉领域开始逐渐展开针对“行人再识别”技术的研究工作。

什么是Re-ID 技术？

Person Re-ID 全称是 Person Re-Identification，又称为 行人重检测 or 行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，指通过穿着、体态、发型等在不确定的场景中能够再次识别是同一个人，并以此描绘出个体行进轨迹的AI视觉技术。给定一张切好块的行人图像 (query image,), 从一大堆切好块的图像 (gallery images) 中找到同一身份的人的图像的过程。

事实上你可以把Re-ID技术视为人脸识别技术的进阶版，因为同样是多媒体内容检索，从方法论来说是通用的。但比人脸识别技术更有挑战，跨摄像头场景下复杂姿态、严重遮挡、多变的光照条件等等不利因素都是要考虑的。

“进阶版”技术为何迟迟不见大规模应用？

现阶段，Re-ID的技术研究仍然面临着很多现实问题和技术难点，这些问题主要包括数据获取难度大、算法训练难度高以及一些实用角度的投入产出比问题。

数据获取难度大：相比于人脸数据，Re-ID中行人数据严重稀缺，行人最主流的数据集(Market1501)才1000-3000个行人ID，而人脸的公开数据集ID规模已超100万，企业私有的ID规模可能更大。造成这一现象的主要原因是由于行人数据集需要采集自同一个人在一段时间内同时出现在多个摄像头下，这样严苛条件限制了行人数据集的构建。正因为数据的缺失，对跨境追踪技术的算法研究提出了更高的要求。

算法训练难度高：数据的稀缺本身就是一个大问题，在这个基础之上，现有的视频监控由于受成像质量、分辨率等因素的制约，还会导致抓取的图像信息模糊不清。当然还有相机拍摄角度差异大、室内室外环境变化、行人服装配饰更换、季节性穿衣风格差别大、白天晚上光线差异等等因素的影响，让跨摄像头、跨地区、跨时间的Re-ID分析变得更加困难，要解决的实际问题非常复杂。除此之外，在很多安防系统中，视频监控探头的码流带宽以及摄像头部署的密度也都会限制Re-ID算法准确度的提升。

同时，用户对于投入产出比的顾虑也比较大。要在产品上应用、在项目中落地、只提高几个百分点的准确度，而计算量和内存开销、存储开销严重增加，客户肯定不愿意买单。在准确度不完美的情况下，把技术应用到产品上，就要花很多功夫做应用创新，比如计算速度和内存开销。

虽重重困境拦路，但ReID技术意义重大

因为Re-ID技术对环境与设备的要求并不高，能够充分利用现有设备和基础设施。且只要识别出一定的行人特征，就可以实现跨摄像头对检索对象进行连续追踪和轨迹还原，在此过程中一旦发现人脸信息，人员身份就可以明确。所以这对社会公共治安来说，是非常理想且需要的技术。

而且在目前的实际应用场景中，单个摄像头无法覆盖所有区域，多个摄像头检测范围也少有重叠，不仅如此，受限于视频监控探头安装高度及密度，拍到更多的是行人侧脸、头顶或者后脑勺，这就又给了犯罪分子一丝可乘之机。

例如已知某嫌疑人照片，要取得其在监控中出现的视频段，如果仅仅使用传统的人脸识别，那么无疑是守株待兔。况且我国幅员辽阔，监控系统“地”均不足已是一大痛点。但Re-ID就可以根据照片去监控视频库中收集数据，串联起嫌疑人在各个摄像头中的轨迹，这将对刑侦工作提供非常大的帮助。

结语

可以说，Re-ID行人重识别技术将人工智能的认知水平从“识脸”提升到了“识人”的新阶段，在跨空间、时间、地域的人物目标检索应用场景之下，可以发挥比人脸识别更重要的作用。     

不局限于走失人员寻回、嫌犯追踪等典型的AI寻人的应用。商场、超市等地的客流热力图统计也是能让它大显身手的领地，可以通过实时动态跟踪用户轨迹（隐私保护前提之下）来助力商场完善店铺陈列和提升客户的购物体验。而随着相关技术的日趋成熟，相信未来Re-ID技术将改善更多场景下传统的“找人”、“寻物”模式，带来作业效率的显著提升。

责任编辑：潘一大