行人重识别研究综述
基于深度学习的行人重识别综述
2020⁃05⁃10计算机应用,Journal of Computer Applications2020,40(5):1243-1252ISSN 1001⁃9081CODEN JYIIDU http ：//基于深度学习的行人重识别综述杨锋1，2*，许玉1，尹梦晓1，2，符嘉成1，黄冰1，梁芳烜1（1.广西大学计算机与电子信息学院，南宁530004；2.广西多媒体通信与网络技术重点实验室（广西大学），南宁530004）（∗通信作者电子邮箱yf@ ）摘要：行人重识别（Re -ID ）是计算机视觉领域的热点问题，主要研究的是“如何关联位于不同物理位置的不同摄像机捕获到的特定人员的问题”。
传统的行人Re -ID 方法主要基于底层特征如局部描述符、颜色直方图和人体姿势的提取。
近几年，针对行人遮挡和姿势不对齐等传统方法所遗留问题，业内提出了基于区域、注意力机制、姿势和生成对抗性网络（GAN ）等深度学习的行人Re -ID 方法，实验结果得到较明显的提高。
故对深度学习在行人Re -ID 中的研究进行了总结和分类，区别于以前的综述，将行人重识别方法分成四大类来讨论。
首先，通过区域、注意力、姿势和GAN 四类方法来综述基于深度学习的行人Re -ID 方法；然后，分析这些方法在主流数据集上的mAP 和Rank -1指标性能表现，结果显示基于深度学习的方法可以增强局部特征之间的联系并缩小域间隙，从而减少模型过拟合；最后，展望了行人Re -ID 方法研究的发展方向。
关键词：行人重识别；深度学习；生成对抗性网络；区域；注意力；姿势中图分类号：TP391.4文献标志码：AReview on deep learning -based pedestrian re -identificationYANG Feng 1，2*，XU Yu 1，YIN Mengxiao 1，2，FU Jiacheng 1，HUANG Bing 1，LIANG Fangxuan 1（1.School of Computer ，Electronics and Information ，Guangxi University ，Nanning Guangxi 530004，China ；2.Guangxi Key Laboratory of Multimedia Communications Network Technology （Guangxi University ），Nanning Guangxi 530004，China ）Abstract:Pedestrian Re -IDentification （Re -ID ）is a hot issue in the field of computer vision and mainly focuses on “how to relate to specific person captured by different cameras in different physical locations ”.Traditional methods of Re -ID were mainly based on the extraction of low -level features ，such as local descriptors ，color histograms and human poses.In recent years ，in view of the problems in traditional methods such as pedestrian occlusion and posture disalignment ，pedestrian Re -ID methods based on deep learning such as region ，attention mechanism ，posture and Generative Adversarial Network （GAN ）were proposed and the experimental results became significantly better than before.Therefore ，the researches of deep learning in pedestrian Re -ID were summarized and classified ，and different from the previous reviews ，the pedestrian Re -ID methods were divided into four categories to discuss in this review.Firstly ，the pedestrian Re -ID methods based on deep learning were summarized by following four methods ：region ，attention ，posture ，and GAN.Then the performances of mAP （mean Average Precision ）and Rank -1indicators of these methods on the mainstream datasets were analyzed.The results show that the deep learning -based methods can reduce the model overfitting by enhancing theconnection between local features and narrowing domain gaps.Finally ，the development direction of pedestrian Re -IDmethod research was forecasted.Key words:Re -IDentification (Re -ID);deep learning;Generative Adversarial Network (GAN);region;attention;pose引言行人重识别（Re -IDentification ，Re -ID ）是典型的研究图像和视频的问题，可以理解为一个图像检索的子问题，其目的是对跨摄像机领域中的目标行人进行检测和跟踪，可广泛用于智能视频监控、智能安保等领域。
移动机器人场景中的行人重识别关键技术研究
移动机器人场景中的行人重识别关键技术研究移动机器人场景中的行人重识别关键技术研究随着人工智能和机器人技术的不断发展，移动机器人在实际应用中扮演着越来越重要的角色，其中行人重识别技术的研究尤为重要。
行人重识别是指通过对不同场景下的行人进行图像分析和特征提取，实现对同一个行人在不同摄像头拍摄的图像中进行精确的重识别和匹配。
本文将重点讨论移动机器人场景中的行人重识别关键技术的研究进展和挑战。
行人重识别技术的研究一直是计算机视觉领域的热点问题之一。
在移动机器人场景中，行人重识别的难点主要包括光照变化、姿态变化、遮挡等。
针对这些问题，学者们提出了许多解决方案。
首先，对于光照变化问题，研究者们尝试使用颜色直方图、梯度直方图等特征来描述行人的外观。
然而，这些方法对于光照变化较大的情况下无法取得理想的效果。
因此，近年来，深度学习技术开始被广泛应用于行人重识别中。
通过使用深度神经网络，可以自动学习图像中的高级语义特征，从而有效克服光照变化问题。
其次，姿态变化对行人重识别也是一个挑战。
在移动机器人场景中，由于摄像头的高度和角度的不同，行人的姿态存在较大的差异。
研究者们通过引入姿态归一化、姿态对齐等技术来解决这一问题。
例如，利用多个全身姿态数据集，通过姿态归一化技术将不同动作下的行人特征进行对齐，进而实现对行人姿态变化的鲁棒重识别。
此外，移动机器人场景中的遮挡问题也不可忽视。
由于场景中可能存在其他物体的遮挡，行人的部分特征可能被隐藏。
为了解决这一问题，研究者们提出了多尺度分析、遮挡检测等方法。
通过将图像分解为多个尺度，可以更好地捕捉行人的细节特征，提高重识别的准确性。
此外，行人重识别技术在移动机器人场景中还面临其他一些挑战，如边界框精确度、实时性等。
研究者们致力于通过改进目标检测算法、优化特征提取方法等来解决这些问题。
综上所述，在移动机器人场景中，行人重识别技术的研究具有重要的意义和应用前景。
通过克服光照变化、姿态变化、遮挡等问题，可以实现对行人在不同摄像头下的精确重识别和匹配。
基于无监督学习的行人重识别研究
基于无监督学习的行人重识别研究第一章引言1.1 研究背景在现代社会中，行人重识别技术在公共安全、交通管理和视频监控等领域具有重要意义。
行人重识别就是利用计算机视觉技术将不同摄像头或时间段中的同一行人进行匹配，实现行人跨摄像头的追踪和识别。
1.2 困境和挑战然而，行人重识别面临着一些困境和挑战。
首先，由于行人的外貌特征相对较为相似，且摄像头角度、光照条件、遮挡等因素的影响，使得行人重识别具有较高的难度。
其次，传统的行人重识别方法主要依赖于监督学习，需要大量标记好的训练样本，但实际应用中获取大规模标记数据集却相当困难。
因此，基于无监督学习的行人重识别研究成为了当前研究的热点和挑战。
第二章相关工作综述2.1 传统行人重识别方法传统的行人重识别方法主要包括基于颜色直方图、局部特征和全局特征的方法。
这些方法在特定场景下取得了一定的效果，但受限于特征的表达能力和数据的多样性，无法取得很好的鲁棒性和泛化性能。
2.2 基于无监督学习的行人重识别方法近年来，随着无监督学习的进展，研究者们提出了一系列基于无监督学习的行人重识别方法。
这些方法主要基于聚类和生成模型，通过学习数据分布和内部结构，实现对行人之间的关联建模。
第三章基于聚类的行人重识别方法3.1 K-means算法K-means算法主要通过迭代优化，将行人特征向量分为K个簇。
然后通过计算不同簇之间的距离，进行行人匹配和重识别。
3.2 层次聚类算法层次聚类算法通过逐步合并或分割数据点，构建行人的层次结构，然后根据距离差异度量进行行人匹配。
第四章基于生成模型的行人重识别方法4.1 自编码器自编码器是一种无监督学习的神经网络模型，可以通过将输入数据映射为低维特征向量，实现对行人的特征提取和重构。
4.2 生成对抗网络（GAN）生成对抗网络可以通过生成器和判别器的博弈过程，学习数据分布，并实现对行人的特征生成和重识别。
第五章实验与结果分析5.1 数据集与实验设置本章介绍使用的数据集和实验设置，包括数据集的来源和采集方式，以及实验的评价指标和环境。
基于深度学习的行人重识别研究
基于深度学习的行人重识别研究一、引言随着城市化的发展，交通的拥挤问题越来越突出。
在城市交通中，交通违法行为已经成为了一种比较严重的问题，其中行人违法行为已经成为了不可忽略的一个方面。
因此如何有效地识别和追踪行人已经成为了研究者们的热点问题之一。
行人重识别技术是其中的一个关键技术，在视频监控、交通管理等领域广泛应用。
二、行人重识别概述行人重识别是指在不同的摄像头中，通过对同一个行人进行检测和识别，实现行人跨摄像头的追踪。
行人重识别技术一般分为两个主要步骤：行人检测和行人特征提取。
其中行人检测的目的是在图像或视频中找到行人的位置，而行人特征提取则是将行人的特征向量提取出来，用于后续的行人重识别任务。
三、传统行人重识别方法传统行人重识别方法主要基于手工特征设计，如颜色直方图、梯度直方图、局部二值模式等。
这些特征需要人工精心设计和调节，因此具有很高的主观性和局限性。
此外，在大规模的行人图像检索中，传统的方法也存在一些固有缺陷，如图像的局限性、对图像变换的不敏感等。
四、基于深度学习的行人重识别方法近年来，基于深度学习的方法在行人重识别领域取得了很大的进展。
深度学习网络可以自动地提取高级语义特征，有效地解决了传统方法所存在的问题。
常用的深度学习模型主要有卷积神经网络（CNN）、循环神经网络（RNN）和集成模型等。
其中，卷积神经网络是一种广泛应用于计算机视觉领域的深度学习方法。
通过多层卷积和池化操作，卷积神经网络可以将输入图像转换为多维特征向量，并且有效地提高了图像分类准确率。
基于卷积神经网络的行人重识别方法主要基于三个方面：行人检测、行人特征提取和行人匹配。
行人检测方面，常用的方法是将卷积神经网络和目标检测算法结合起来，通过检测算法获得行人框，再将行人框传入卷积神经网络，提取行人特征向量。
行人特征提取方面，通常使用的是基于孪生网络的方法，即构建一对相同结构的卷积神经网络，分别提取两张图像的特征向量，再将特征向量进行拼接，形成一个更高维度的向量，用于后续的匹配任务。
基于深度学习的行人重识别技术研究
基于深度学习的行人重识别技术研究近年来，随着智能化技术的大规模应用，人们对于行人重识别技术的需求不断增加。
行人重识别技术是指通过计算机视觉技术，在摄像头监控下对行人进行身份识别和追踪，其主要应用于公安监控、智慧城市、会场安保等领域。
而基于深度学习的行人重识别技术也逐渐成为当前行业的研究热点。
一、行人重识别技术研究的现状目前，关于行人重识别技术的研究已经取得了不少进展。
早期的研究主要是基于传统的机器学习算法，如SVM、LDA等，但这些算法往往面临特征提取和分类精度不高的问题。
随着深度学习技术的发展，基于深度学习的行人重识别技术逐渐兴起。
其中，目前研究较多的是基于卷积神经网络（CNN）的方法，如Siamese网络和Triplet网络。
这些方法主要通过运用深度学习技术进行特征提取和度量学习，通过优化模型使得行人特征更加具有差异性，从而提高行人重识别的准确率。
二、基于深度学习的行人重识别技术的特点与传统的行人重识别方法相比，基于深度学习的方法具有如下特点：1.深度学习技术能够更好地提取行人特征。
与传统的特征提取方法相比，深度学习将图像的像素信息从原始数据中提取，能够更好地捕捉图像的高级特征，提高特征的差异性。
2.基于深度学习的方法能够使用更大规模的数据集进行训练。
传统的行人重识别方法需要建立大量的特征库，而基于深度学习的方法则能够通过使用大规模数据集进行训练，从而提高模型的鲁棒性。
3.深度学习技术使得行人重识别能够实现端对端的学习。
传统方法需要分为多个阶段，如特征提取、度量学习、分类等，而基于深度学习的方法则可直接通过网络实现端对端的学习，大大简化了模型的构建过程。
三、基于深度学习的行人重识别技术存在的问题然而，基于深度学习的行人重识别技术也存在一些问题：1.基于深度学习的方法需要大量的计算资源。
由于深度学习模型训练需要大量的计算资源，因此需要有大量的GPU和并行计算设备进行支持。
2.传统数据集的不适合深度学习。
行人重识别模型总结
行人重识别模型总结
行人重识别是指通过计算机视觉技术和深度学习算法来识别和比对不同场景下的行人图像，以实现行人在不同摄像头和时间段的重新识别。
行人重识别模型是实现这一目标的关键工具，下面将对行人重识别模型进行总结。
行人重识别模型的核心思想是通过学习行人图像的特征，将其转化为高维向量表示。
具体而言，行人重识别模型通常包含以下几个步骤：
1. 特征提取：行人图像经过预处理后，通过卷积神经网络（CNN）等深度学习模型提取特征。
这些特征可以捕捉到行人的外貌、姿态和纹理等信息。
2. 特征对齐：由于不同场景中的行人图像可能存在视角、光照等差异，需要对提取的特征进行对齐。
一种常见的方法是通过将行人图像进行姿态校正或者对齐到一个标准视角。
3. 特征匹配：将查询图像与数据库中的行人图像进行比对，计算它们之间的特征相似度。
常用的特征匹配方法包括欧式距离、余弦相似度等。
4. 深度度量学习：为了增强特征表示的区分度，可以采用深度度量学习方法。
这些方法通过学习样本之间的相对关系和距离，在特征空间中提升行人图像之间的可分性。
5. 重识别模型训练和优化：通过大规模的行人图像数据进行模型训练，使用一定的损失函数和优化方法，不断提升模型在行人重识别任务上的性能。
总的来说，行人重识别模型通过提取行人图像的特征，并通过深度学习和度量学习的方法，将行人重识别问题转化为特征匹配和距离计算问题。
这些模型在视频监控、智能安防等领域具有广泛的应用前景，可以帮助实现人员追踪、行为分析和安全监控等功能。
行人再识别技术综述
第44卷第9期自动化学报Vol.44,No.9 2018年9月ACTA AUTOMATICA SINICA September,2018行人再识别技术综述李幼蛟1,2,3卓力1,2,4张菁1,2李嘉锋1,2张辉1,2摘要行人再识别指的是判断不同摄像头下出现的行人是否属于同一行人,可以看作是图像检索的子问题,可以广泛应用于智能视频监控、安保、刑侦等领域.由于行人图像的分辨率变化大、拍摄角度不统一、光照条件差、环境变化大、行人姿态不断变化等原因,使得行人再识别成为目前计算机视觉领域一个既具有研究价值又极具挑战性的研究热点和难点问题.早期的行人再识别方法大多基于人工设计特征,在小规模数据集上开展研究.近年来,大规模行人再识别数据集不断推出,以及深度学习技术的迅猛发展,为行人再识别技术的发展带来了新的契机.本文对行人再识别的发展历史、研究现状以及典型方法进行梳理和总结.首先阐述了行人再识别的基本研究框架,然后分别针对行人再识别的两个关键技术(特征表达和相似性度量),进行了归纳总结,重点介绍了目前发展迅猛的深度学习技术在行人再识别中的应用.另外,本文对行人再识别中代表性的数据集以及在各个数据集上可以取得优异性能的方法进行了分析和比较.最后对行人再识别技术的未来发展趋势进行了展望.关键词行人再识别,人工设计特征,深度学习,特征表达,相似性度量引用格式李幼蛟,卓力,张菁,李嘉锋,张辉.行人再识别技术综述.自动化学报,2018,44(9):1554−1568DOI10.16383/j.aas.2018.c170505A Survey of Person Re-identificationLI You-Jiao1,2,3ZHUO Li1,2,4ZHANG Jing1,2LI Jia-Feng1,2ZHANG Hui1,2Abstract Person re-identification aims to associate the same person across different views and can be taken as a sub-problem of image retrieval.It has extensive application prospects in many areas such as intelligent video surveillance, security,and criminal investigation.Due to poor illumination condition,image resolution,camera viewpoint,environment, and pedestrian pose,person re-identification has become one of the challenging problems in computer vision.Early person re-identification methods mostly rely on hand-crafted features and researches are conducted on small-scale datasets.In recent years,the emergence of large-scale datasets and rapid development of deep learning techniques provide person re-identification with new opportunities.This survey gives a detailed overview of the history,state of the art,and typical methods in this domain.Firstly,the general framework of person re-identification is presented.Then,feature repre-sentation,similarity measurement,and two key aspects of person re-identification,are further summarized,respectively. We also highlight the application of rapid developing deep learning techniques to person re-identification.Moreover,the representative datasets of person re-identification and methods of obtaining excellent performance on each dataset are analyzed and compared.Finally,the future trends of thisfield are discussed.Key words Person re-identification,hand-crafted feature,deep learning,feature representation,similarity measurement Citation Li You-Jiao,Zhuo Li,Zhang Jing,Li Jia-Feng,Zhang Hui.A survey of person re-identification.Acta Auto-matica Sinica,2018,44(9):1554−1568收稿日期2017-09-05录用日期2018-01-19Manuscript received September5,2017;accepted January19, 2018国家自然科学基金(61531006,61372149,61370189,61471013),北京市属高等学校高层次人才引进与培养计划项目(CIT&TCD201503 11,CIT&TCD201404043),北京市自然科学基金(4142009,41630 71),北京市教育委员会科技发展计划项目(KM201410005002,KM20 1510005004),北京市属高等学校人才强教计划资助项目PHR(IHLB)资助Supported by National Natural Science Foundation of China (61531006,61372149,61370189,61471013),the Importation De-velopment of High-Caliber Talents Project of Beijing Municipal Institutions(CIT&TCD20150311,CIT&TCD201404043),Bei-jing Natural Science Foundation(4142009,4163071),Science and Technology Development Program of Beijing Education Committee(KM201410005002,KM201510005004),and Fund-ing Project for Academic Human Resources Development in In-stitutions of Higher Learning under the Jurisdiction of Beijing Municipality本文责任编委黄庆明行人再识别(Person re-identification,Re-ID)起源于多摄像头跟踪,用于判断非重叠视域中拍摄到的不同图像中的行人是否属于同一个人.行人再识别涉及计算机视觉、机器学习、模式识别等多个学科领域,可以广泛应用于智能视频监控、安保、刑侦Recommended by Associate Editor HUANG Qing-Ming1.北京工业大学计算智能与智能系统北京市重点实验室北京1001242.北京工业大学信息学部微电子学院北京1001243.山东理工大学计算机科学与技术学院淄博2550004.北京电动车辆协同创新中心北京1000811.Beijing Key Laboratory of Computational Intelligence and Intelligent System,Beijing University of Technology,Beijing 1001242.College of Microelectronics,Faculty of Information Technology,Beijing University of Technology,Beijing1001243.College of Computer Science and Technology,Shandong Uni-versity of Technology,Zibo2550004.Beijing Collaborative Innovation Center of Electric Vehicles,Beijing1000819期李幼蛟等:行人再识别技术综述1555等领域.近年来,行人再识别技术引起了学术界和工业界的广泛关注,已经成为计算机视觉领域的一个研究热点.由于行人兼具刚性和柔性物体的特性,外观易受穿着、姿态和视角变化以及光照、遮挡、环境等各种复杂因素的影响,这使得行人再识别面临着巨大的技术挑战.对再识别的研究可以追溯到2003年,Porikli [1]利用相关系数矩阵建立相机对之间的非参数模型,获取目标在不同相机间的颜色分布变化,实现了跨视域的目标匹配.2006年,Gheissari 等[2]首次提出行人再识别的概念,利用颜色和显著边缘线直方图(Salient edge histograms)实现行人再识别.经过多年的研究,行人再识别取得了诸多有意义的成果.2010年,Farenzena 等[3]第一次在计算机视觉领域的顶级会议CVPR (Computer vision and pat-tern recognition)上发表了关于行人再识别的文章Person re-identification by symmetry-driven accu-mulation of local features .自此以后,在计算机视觉领域的国际重要会议,如CVPR,ICCV (Inter-national conference on computer vision),BMVC (British machine vision conference),ECCV (Euro-pean conference on computer vision),ICIP (Inter-national conference on image processing)和权威期刊,如TPAMI (Transactions on Pattern Analy-sis and Machine Intelligence ),IJCV (International Journal of Computer Vision ),Pattern Recognition 等,行人再识别都成为一个重要的研究方向,涌现了大量的研究成果.尤其是近年来,很多学者和研究机构陆续公布了专门针对行人再识别问题的数据集,极大地推动了行人再识别研究工作的开展.行人再识别的典型流程如图1所示.对于摄像头A 和B 采集的图像/视频,首先进行行人检测,得到行人图像.为了消除行人检测效果对再识别结果的影响,大部分行人再识别算法使用已经裁剪好的行人图像作为输入.然后,针对输入图像中提取稳定、鲁棒的特征,获得能够描述和区分不同行人的特征表达向量.最后根据特征表达向量进行相似性度量,按照相似性大小对图像进行排序,相似度最高的图像将作为最终的识别结果.行人再识别包括两个核心部分:1)特征提取与表达.从行人外观出发,提取鲁棒性强且具有较强区分性的特征表示向量,有效表达行人图像的特性;2)相似性度量.通过特征向量之间的相似度比对,判断行人的相似性.可以看出,行人再识别与图像检索的思路相同,可以看作是图像检索的子问题.根据行人再识别采用的数据源,可分为基于图像的行人再识别和基于视频的行人再识别.后者得益于视频中包含更为丰富的时间信息,可以获得更优的性能.根据采用的特征提取与表达方法,行人再识别技术的发展可以分为两个阶段:1)2012年之前的人工设计特征阶段;2)2012年之后的深度特征阶段.随着深度学习研究的不断深入,各种基于深度学习的行人再识别方法被不断推出,并取得了远超过传统方法的性能[4].本文对基于人工设计特征和基于深度学习的行人再识别技术的研究进展情况进行综述.第1节介绍基于人工设计特征的行人再识别方法研究进展,重点阐述特征提取与表达、相似性度量的常用方法.第2节介绍基于深度学习的行人再识别方法研究进展,将其分为端到端式、混合式和独立式分别加以介绍.第3节介绍具有代表性的行人再识别数据集,并对各个数据集上取得优异性能的方法进行详细分析和比较.第4节对行人再识别技术的未来发展趋势进行展望.1基于人工设计特征的行人再识别基于人工设计特征的行人再识别主要包含特征提取与表达和相似性度量两部分.特征是整个行人再识别的基础,特征的好坏直接影响到最终的识别性能,合理的相似性度量方法将进一步提高识别准确率.1.1特征提取与表达行人再识别采用的特征可分为低层视觉特征、中层滤波器特征和高层属性特征三类.另外,在基于图1行人再识别典型流程图Fig.1Typical flowchart of person Re-ID1556自动化学报44卷视频的行人再识别中,不仅提取空间特征,而且提取时间特征来反映视频的运动信息,提高识别精度.低层特征是指颜色、纹理等基本的图像视觉特征.低层视觉特征及其组合是行人再识别中常用的特征.多个低层视觉特征组合起来比单个特征含有更加丰富的信息,具有更好的区分能力,因此常将低层视觉特征组合起来用于行人再识别.中层滤波器特征是指从行人图像中具有较强区分能力的图像块组合中提取出的特征.滤波器是对行人特殊视觉模式的反映,这些视觉模式对应不同的身体部位,可以有效表达行人特有的身体结构信息.高层属性特征是指服装样式、性别、发型、随身物品等人类属性,属于软生物特征,拥有比低层和中层特征更强大的区分能力.虽然行人再识别技术最初提出的目的是用于视频追踪,但受限于有限的计算和存储能力,目前大多数行人再识别方法是基于静止图像的,各个摄像头下仅拍摄有一张或少数几张行人图像.然而,静止图像中包含的信息十分有限,导致再识别的准确性难以尽如人意.近年来,许多学者开始利用视频进行行人再识别.相对于静止图像,视频中包含更加丰富的时空信息,充分利用视频中的时空特征,可以获得更优的识别性能.1.1.1低层视觉特征行人外观具有丰富的颜色信息,颜色是行人再识别中最常用的低层视觉特征之一.颜色直方图是应用最为广泛的一种特征,可以表征行人图像的整体颜色分布.此外,颜色矩、颜色相关图、颜色聚合向量等也是主要的颜色特征.Farenzena等[5]提出一种对称驱动的局部特征累计方法(Symmetry-driven accumulation of local features,SDALF).该方法首先取得行人的前景图像,然后分别提取三种互补的颜色特征:加权颜色直方图、最稳定颜色区域和高重复结构颜色块,三种特征结合起来用以描述行人外观的颜色特性.颜色特征对于姿态和视角变化具有鲁棒性,但易受光照和遮挡的影响,而且由于着装相似问题,只利用颜色特征很难有效区分大规模的行人图像.行人衣着常包含纹理信息,而纹理特征涉及到相邻像素的比较,对光照具有鲁棒性,因此很多研究工作将颜色和纹理特征组合起来使用.文献[6]提出一种ELF(Ensemble of localized features)特征,利用Adaboost算法在一组颜色和纹理特征中选择出合适的特征组合,可以提高识别的准确性.颜色和纹理特征能够提供行人图像的全局信息,但是缺乏空间信息.因此很多行人再识别方法在颜色和纹理特征中加入空间区域信息.行人图像被分成多个重叠或非重叠的局部图像块,然后分别从中提取颜色或纹理特征,从而为行人特征增加空间区域信息.当计算两幅行人图像的相似度时,对应的图像块内的特征将分别进行比较,然后将各个图像块的对比结果融合,作为最终的识别结果[3,5].或简单地将各个图像块特征级联为一个特征向量,然后进行对比[6−8].表1是对行人再识别常用的几种典型图像块分割方法进行的归纳和总结.采用局部分割模型的目的是通过对人体结构的多层次建模,提高局部特征的判别性和区分性,尽可能多地过滤掉背景信息.图2是表1中四种分割方式的分割结果示意图.图2(a)∼2(d)依次为上下半身分割法、条纹分割法、滑动窗分割法和三角形分割法.其中滑动窗分割方法符合人类的视觉规律,识别效果最好.图像块分割方法可以利用行人身体子块位置的先验知识.采用这种方法实现的识别过程相对简单,但是无法确保图像子块与身体子块之间的精确匹配,对于强烈的视角变化,鲁棒性较差.另外,当多种低层特征组合使用时,随着特征数目的增加,特征向量维数会呈指数增长.利用协方差作为行人图像的特征描述,可以大大降低特征维数[9−10].文献[9]提出一种HSCD(Hybrid spa-tiogram and covariance descriptor)描述符,将空间直方图与协方差算子进行融合.空间直方图由各个表1典型行人图像分割方法Table1Typical segmentation methods of pedestrian image分割方式对应文献主要思想上下半身分割[3,5]提取行人的前景图像,分成头部、躯干和腿部三部分.对后两部分计算垂直对称轴.对提取的特征根据与垂直对称轴的距离进行加权,从而减少行人姿态变化的影响.缺点是分割过程过于复杂.条纹分割[6−7]分成六个水平条,分别对应于行人头部、水平躯干的上下部、腿部的上下部分.然后提取水平条内的ELF特征,减少了视角变化对识别的影响.缺点是会造成水平条内空间细节信息的损失.滑动窗分割[8]利用滑动窗来描述行人图像的局部细节信息,在每个滑动窗内提取颜色和纹理特征.缺点是特征维数过大.三角形分割[2]利用局部运动特征对行人图像进行三角形时空分割.缺点是分割结果不够准确.9期李幼蛟等:行人再识别技术综述1557图2行人图像块分割方法Fig.2Patch segmentation methods of pedestrian image图像区域上的多通道颜色直方图累加而成.协方差算子由相同图像区域中包含了颜色和纹理信息的协方差矩阵构成.然而,协方差描述符会去除图像的均值信息,而这些信息对区分行人是非常重要的.文献[11]提出一种GOG (Gaussian of Gaussian)描述符,利用分层高斯算子将图像分为由多个高斯分布进行描述的不同区域来表示颜色和纹理信息,每种高斯分布代表一个小的图像块,每个图像块的特征组合起来得到行人图像的特征向量,用于识别.低层特征的提取不需要复杂的训练过程,可解释性较强.但是表达能力较弱,面对复杂的识别环境其泛化能力受到一定制约,无法针对具体的行人再识别任务进行优化.1.1.2中层滤波器特征中层滤波器特征是利用聚类算法,从行人图像中学习出一系列有表达能力的滤波器.每一个滤波器都代表一种与身体特定部位相关的视觉模式,也称显著区域(Salient region).如果在同一行人的多幅图像中存在由若干小的图像块组成的显著区域,例如提包,会有助于做出判断,如图3[12]所示,图中虚线框为显著区域检测结果.如果提包出现在多张图像中的不同空间位置,很多行人再识别算法会将其忽略.这些方法[3,5,13−14]通常只考虑大块的对应上衣和裤子的颜色区域,小的颜色区域因为不属于身体主要区域会被当作异常值而忽略掉.因为显著区域对于光照和视角变换具有较强的鲁棒性,因此合理利用显著区域会有效提高再识别的性能[12,15−16].Zhao 等[12]以非监督的方式得到图像中的显著区域用于行人再识别,对获得的显著区域进行显著性排序,并据此分配权重.Cheng 等[17]采用类似SDALF 的前景分割方法,利用人们对于行人外观的先验知识首先提取出行人的前景图像.然后基于图画结构训练出包含11个身体部分的人体结构模型,在该模型的基础上提取颜色直方图组成行人图像的特征表达,用于行人再识别.图3行人显著区域示意图Fig.3The illustration of salient region人体由各个身体部位组成,具有良好的结构特性,使用与人体部位对应的滤波器特征能够平衡行人描述符的区分能力和泛化能力.低层和中层特征结合起来使用能够充分发挥各自的优势,在一定程度上克服行人再识别中的光照和视角变化问题.但是,人体是非刚性目标,外观易受到姿态、遮挡等各种因素的影响,仅利用低层和中层特征会导致识别精度不高,还需要利用其他更高层的特征.1.1.3高层属性特征人类在辨识行人时会使用离散而精确的特有属性(Attribute),例如服装样式、性别、胖瘦等都属于行人的属性特征.行人图像对应的属性特征通常采用离散的二进制向量表示形式,例如图3中的行人,假设定义3个属性(是否男性;是否长发;是否携带提包),则对应的属性特征向量为[101].与其他特征相比,高层属性特征尽管在提取和表达方面复杂,属性标定需要大量的人工和时间成本,但含有更加丰富的语义信息,而且对于光照和视角变化具有更强的鲁棒性.因此,属性特征与低层特征联合使用,可以有效提高识别性能.Layne 等[18]将属性特征用于行人的再识别.针对服装的样式、发型、随身物品以及性别设计并手工标注了15种基于低层特征的行人属性.在进行基于属性的行人再识别时,首先利用一组人工标定好属性的样本图像训练支持向量机(Support vector machines,SVM)属性分类器,将属性判别结果用于1558自动化学报44卷行人再识别.因为训练样本中的某一属性是通过不同摄像头拍摄的图像学习得到的,因此属性分类器具有一定的视角鲁棒性.属性的标定费时费力,因此研究者们开始探索如何扩展已有的属性.文献[19]借助其他非行人再识别专用的大型数据集训练出一组属性,这些大型数据集带有颜色、纹理和类别标签.训练好的属性通过非监督的方式直接应用到小型的行人再识别数据集上.无论是手工标注还是通过低层特征学习得到的属性特征,彼此之间相互独立.如果能利用属性特征中包含的语义信息,将属性特征投影到连续的有关联的属性空间中,将大大提高属性特征的区分能力.文献[20]利用多任务学习[21]得到行人属性特征的相关性低秩矩阵,通过该矩阵转换后的属性特征向量具有较小的类内差和较大的类间差,因此具有很好的区分性.属性特征可以对行人图像进行语义层面的解释,能够有效缩小低层视觉特征与高层语义特征之间的语义鸿沟.研究结果表明,与低层特征相比,在再识别过程中使用高层属性特征,性能明显提升,以最常用的VIPeR数据集[22]为例,平均识别精度可以提高6%左右.1.1.4视频时空特征在基于视频的行人再识别中,每个行人至少包含两段跨视域的视频序列,其中包含数量不等的视频帧.这些视频帧能够提供大量的训练样本,可以更方便地训练机器学习算法,从而提高识别的性能.处理视频最常用的方法是提取每一帧的低层特征,然后利用平均/最大池化方法将其聚合为一个全局特征向量,用以反映行人的外观信息[23].值得注意的是,虽然视频数据量巨大,但是人们感兴趣的信息可能主要集中在某些方面.另外,视频中的冗余信息对识别结果有一定的负面影响.因此,许多学者致力于从视频中挖掘更有效的信息.Gao等[24]提出一种时间对准池化方法,利用行走的周期特性将视频序列分成独立的行走周期,选择最符合正弦信号特性的周期代表该视频序列,提高了识别性能.与图像相比,视频序列中的帧与帧之间不仅存在空间依赖关系,也存在时间次序关系,合理利用视频的时间特征能够反映行人的运动特性,提高识别准确率.因此,对于基于视频的行人再识别来说,往往提取视频的时空特征用于识别.在判别视频帧选择排序(Discriminative video fragments selection and ranking,DVR)[25]方法中,首先通过计算每个行人视频序列的步态能量图像[26]来提取行人的运动特征,然后融合HOG3D[27]时空特征,最后通过判别视频帧排序模型进行相似性度量.You等[23]采用HOG3D时空特征,并融合行人图像的颜色和纹理特征作为行人的特征表达.总的来说,时空特征反映了视频中的运动信息,是行人外观特征的有效补充.然而,时空特征易受视角、尺度和速度等因素的影响,在新型的大型行人再识别数据集上表现得差强人意.因为对于大型行人再识别数据集来说,随着行人的大幅增加,行人之间的运动相似性也随之增加,这使得时空特征的区分能力大幅下降.同时,大型数据集中摄像头数量多,使得同一行人的姿态差异增大,运动差异愈加明显,这些都限制了时空特征在行人再识别中的作用.因此,如何设计更具区分性的时空特征是基于视频的行人再识别需要解决的问题.1.2相似性度量行人再识别利用特征之间的相似性来判断行人图像的相似性,特征相似的行人图像将被看作是同一个人,选择合适的相似性度量方法对行人再识别至关重要.根据度量过程中是否使用标签,相似性度量可以分为无监督度量和监督度量.另外,在基于视频的行人再识别中,行人除了外观相似之外,不同行人的运动特性也往往非常相似,这使得行人再识别成为一个挑战性的难题.如何设计相似性度量方法,对特征相似的行人加以区分是提高行人再识别性能需要解决的关键问题.1.2.1无监督度量无监督度量直接利用特征表达阶段获得的特征向量进行相似性度量.特征向量之间的相似性往往通过特征向量之间的距离进行度量,特征向量之间的距离越小,说明行人图像越相似.早期的行人再识别研究工作通常使用简单的欧氏距离或巴氏距离作为相似性度量方法.假设x,y分别代表两个摄像头下的行人图像特征向量,则对应的欧氏距离为d(x i,y i)=ni=1(x i−y i)2,i=1,2,···,n(1)巴氏距离[28]经常在分类任务中用于测量类之间的可分离性,其计算公式为D B(x,y)=−ln(BC(x,y))(2)其中,BC(x,y)=√x i y i代表巴氏系数.文献[3]中提取了加权颜色直方图、最稳定颜色区域和高重复结构颜色块三种行人特征,前两种特征采用巴氏距离而最后一种采用欧氏距离进行度量,三种距离的加权和作为最终的特征距离.欧氏距离和巴氏距离等简单的几何距离通常将数据的各个维度等同对待,没有考虑不同维度对识9期李幼蛟等:行人再识别技术综述1559别效果的影响程度,因此获得的相似度并不准确.而监督方式利用带标签的训练集样本,通过对目标函数的优化,可以获得能够有效反映样本相似关系的特征空间,成为目前行人再识别中相似性度量的主要方法[7−8,23].1.2.2监督度量距离度量学习是基于成对约束的监督度量方法,基本思路是利用给定的训练样本集学习得到一个能够有效反映数据样本间相似度的度量矩阵,在减少同类样本之间距离的同时,增大非同类样本之间的距离.当特征向量提供的信息足够充足时,距离度量能够获得比非监督方式更高的区分能力.但是,与非监督度量方法相比,距离度量学习需要额外的学习过程,在训练样本不足时容易产生过拟合现象,且图像库和场景变化时需要重新训练.距离度量学习最常见的是基于马氏距离[29]的度量.给定一个R d空间上的n个特征向量[x1,x2,···,x n],找到一个半正定矩阵M∈R d×d,则向量对(x i,x j)之间的马氏距离为d M(x i,x j)=(x i−x j)T M(x i−x j)(3)式(3)可以转化为凸优化问题进行求解[30].例如Zheng等[31]提出一种概率相对距离比较(Prob-abilistic relative distance comparison,PRDC)方法,对行人特征的相对距离函数进行优化.对于每张行人图像,选择同一行人样本和不同行人样本组成三元组,在训练过程通过最小化不同类样本距离与同类样本距离的和,得到满足相对约束的马氏距离度量矩阵.经典的度量学习方法有大间隔最近邻(Large margin nearest neighbor,LMNN)[32]、基于信息论的度量学习(Information theoretic metric learn-ing,ITML)[33]和基于逻辑判别的度量学习(Logis-tic discriminant metric learning,LDML)[34]等.在行人再识别问题中,行人的特征表达往往包含图像的多种统计信息,使得行人图像的特征向量结构复杂,维数较高.上述方法由于复杂的优化策略对系统资源造成了过高的负担,因此不适合大规模的行人再识别.保持简单直接度量算法(Keep it simple and straightforward metric,KISSME)[35]不需要通过复杂的迭代算法计算度量矩阵,因此计算效率更快.实验结果表明,对比ITML等传统算法,KISSME 算法在识别准确率和算法效率上都更具有优势. KISSME通过似然比检验的方法将距离度量学习转化为δ(x ij)=logp(x ij|H0)p(x ij|H1)(4)其中,x ij=x i−x j,H0,H1分别为样本对相似与否的假设检定.KISSME包含两个主要阶段:1)进行主成分分析(Principal component analysis,PCA)降维;2)利用PCA子空间上行人类内差和类间差的协方差矩阵学习距离函数.然而,这种两阶段的处理方式在低维空间中很可能无法求得最优解.因为在经过第一阶段之后,隶属于不同类的样本会变得杂乱无章.跨视域二次判别分析方法(Cross-view quadratic discriminant analysis,XQDA)[8]对该方法进行了改进,能够同时学习基于跨视域数据的子空间和低维空间上的距离度量,通过学习行人类内差和类间差的协方差矩阵的核度量来建立距离度量函数.总的来说,由于具有去耦合和量纲无关两种优良的性质,使得基于马氏距离的距离度量学习方法在行人再识别中应用得最为广泛.在传统的小型数据集上,为了获取更加丰富的行人信息,行人描述符的维度远远超过训练样本的数量,造成距离学习过程中的小样本问题(Small sample size,SSS).为了解决该问题,往往需要对行人特征进行降维和正则化处理,导致距离学习函数只能获得次优解.最近,大型行人再识别数据集的出现有效缓解了距离度量学习的小样本问题.然而,目前的距离度量算法大都是基于成对约束的,约束的数量是训练样本数量的平方,导致大样本时约束数量将变得非常巨大.因此,构建合理的训练约束库,设计更加快速有效的训练机制,将是距离度量学习下一步需要深入研究的问题.1.2.3基于视频的距离度量在基于视频的行人再识别方法中,大多沿用基于马氏距离的度量方法.例如顶推距离学习模型(Top-push distance learning model)[23]是专门为基于视频的行人再识别设计的度量方法,通过对样本对之间最大的干扰项施以较大的惩罚来快速有效地增大类间差异.顶推距离学习比较的不是正样本对与所有相关的负样本对之间的距离,而是正样本对与所有相关负样本对的最小距离.与顶推距离学习模型采用马氏距离矩阵不同, Karanam等[36]提出一种SRID(Sparse re-id)方法,利用字典学习进行相似性度量,通过求解共同嵌入空间上的块稀疏恢复问题来确定行人类别.类似地,Karanam等[37]提出的DVDL(Discriminative dictionary learning)方法利用与SRID相同的特征,学习出一个矩阵以及对应的稀疏编码,通过优化。
跨模态行人重识别研究综述
跨模态行人重识别研究综述
刘玉林
【期刊名称】《电视技术》
【年(卷),期】2022(46)5
【摘要】跨模态行人重识别,又称可见光-红外行人重识别,是一项在可见光图像与红外图像间进行行人识别与检索的技术。
该技术作为视频智能监控系统的核心关键技术之一,目前在安防监控和疑犯追踪等领域被迫切需要。
近年来,随着新型摄像头(可在弱光环境下自动切换到红外模式,拍摄红外图像)逐渐代替可见光摄像头并普及起来,跨模态行人重识别得到了学术界和工业界的广泛关注并取得显著的发展。
对此,本文分别对跨模态行人重识别的概念以及相关研究进行介绍与分析,并对目前相关研究工作所存在的问题进行总结与展望。
【总页数】3页(P9-11)
【作者】刘玉林
【作者单位】昆明理工大学信息工程与自动化学院
【正文语种】中文
【中图分类】TP311.5
【相关文献】
1.基于生成对抗网络的跨模态行人重识别研究
2.基于生成对抗网络的跨模态行人重识别研究
3.跨模态行人重识别研究与展望
4.基于多视角跨模态的电力现场作业行人重识别网络架构技术研究
5.跨模态行人重识别研究综述
因版权原因，仅展示原文概要，查看原文内容请购买。
基于多模态融合的行人重识别技术研究
基于多模态融合的行人重识别技术研究多模态融合是一种重要的技术手段，在行人重识别领域有着广泛的应用。
本文将围绕基于多模态融合的行人重识别技术展开研究，并介绍该技术的原理、算法和应用场景。
行人重识别是指在摄像头监控范围内，对同一个行人在不同时间和不同场景下进行准确的识别和匹配。
传统的行人重识别技术主要采用单一模态，如图像或视频。
然而，单一模态的特征对于行人的识别和匹配存在一定的限制，如光照变化、遮挡和视角变化等。
为了克服这些限制，多模态融合技术被引入到行人重识别领域。
基于多模态融合的行人重识别技术主要包括特征提取、特征融合和匹配三个步骤。
首先，在特征提取过程中，通过使用深度学习的方法来对输入的图像和视频进行特征提取，得到对光照、遮挡和视角变化具有鲁棒性的特征表示。
常用的深度学习模型如卷积神经网络（CNN）和循环神经网络（RNN）可以对行人的外观和动态信息进行有效地编码。
其次，在特征融合过程中，将从不同模态提取的特征进行融合。
常用的融合方法包括特征级融合和决策级融合。
特征级融合通过将图像和视频的特征直接拼接或加权求和来融合，从而得到更丰富的特征表示。
决策级融合则通过将不同模态的匹配分数进行加权求和或使用投票策略来融合，从而得到最终的匹配结果。
最后，在匹配过程中，通过计算特征之间的相似度来进行行人的重识别。
常用的相似度计算方法包括欧氏距离、余弦相似度和相关系数等。
根据匹配结果，可以实现行人的准确识别和身份的匹配。
基于多模态融合的行人重识别技术具有广泛的应用场景。
首先，在安防领域，该技术可以用于视频监控系统中的行人跟踪和警报系统，提升公共安全和犯罪预防能力。
其次，在智能交通领域，该技术可以用于城市交通监控系统，实现对交通违法行为和交通拥堵情况的实时监测和预警。
此外，该技术还可以应用于人员管理、智能零售和智能物流等领域，提供个性化的服务和精准的数据分析。
然而，基于多模态融合的行人重识别技术仍然存在一些挑战和问题。
行人重识别项目
行人重识别项目
摘要：
1.行人重识别项目简介
2.行人重识别技术的应用
3.行人重识别的挑战和解决方案
4.行人重识别的发展前景
正文：
一、行人重识别项目简介
行人重识别（ReID，Re-Identification）是一种基于图像或视频的行人识别技术。
其主要任务是在多个摄像头的监控画面中，识别出同一行人的技术。
行人重识别技术在安防、交通管理、商业分析等领域具有广泛的应用前景。
二、行人重识别技术的应用
1.安防领域：在公共场所安装摄像头进行监控，通过行人重识别技术，可以追踪可疑人员的行动轨迹，协助警方破案。
2.交通管理：在交通枢纽，如地铁站、火车站等地，通过行人重识别技术，可以实时统计人流量，优化交通资源分配。
3.商业分析：在购物中心、商场等商业场所，行人重识别技术可以帮助商家分析顾客的行走路线、购物喜好等，为商家提供有针对性的营销策略。
三、行人重识别的挑战和解决方案
行人重识别技术面临诸多挑战，如光照变化、角度变化、姿态变化、时间间隔等。
为了解决这些问题，研究人员采用了以下方法：
1.特征提取：通过深度学习算法提取行人的特征，如颜色、形状、纹理等，提高识别的准确性。
2.数据增强：通过对原始数据进行旋转、翻转、缩放等操作，增加训练数据量，提高模型的泛化能力。
3.多模态信息融合：结合行人的RFID 信息、Wi-Fi 信号等信息，提高识别的准确性。
四、行人重识别的发展前景
随着我国智慧城市建设的推进，以及人工智能技术的快速发展，行人重识别技术在安防、交通管理、商业分析等领域将发挥更大的作用。
《城市街道场景的行人检测研究》范文
《城市街道场景的行人检测研究》篇一一、引言随着城市化进程的加快，道路交通系统变得越来越复杂，尤其是城市街道上的行人安全问题越来越受到关注。
为了提高行人交通安全和降低交通事故率，行人检测技术应运而生。
本文将重点探讨城市街道场景下行人检测的相关研究。
二、背景及意义城市街道是行人交通的重要组成部分，由于人流密集、环境复杂，因此对于行人的检测与识别具有重要价值。
通过行人检测技术，可以有效提高道路交通安全，降低交通事故率，保护行人的生命安全。
此外，行人检测技术还广泛应用于智能交通系统、智能安防、自动驾驶等领域，具有广泛的应用前景和重要的研究意义。
三、相关研究综述近年来，行人检测技术得到了广泛关注和研究。
早期的研究主要基于传统的计算机视觉方法，如特征提取、模板匹配等。
随着深度学习技术的发展，基于深度学习的行人检测方法逐渐成为研究热点。
目前，许多学者在公开数据集上进行了大量实验，取得了较好的效果。
然而，城市街道场景下的行人检测仍面临诸多挑战，如环境复杂、行人姿态多变、光照条件变化等。
四、研究方法本研究采用基于深度学习的行人检测方法。
首先，收集城市街道场景下的行人图像数据集，并进行标注和预处理。
其次，构建深度学习模型，如卷积神经网络（CNN）等，进行训练和优化。
最后，在测试集上进行测试和评估，得出实验结果。
五、实验过程及结果分析（一）实验过程1. 数据集准备：收集城市街道场景下的行人图像数据集，并进行标注和预处理。
2. 模型构建：构建基于深度学习的行人检测模型，如卷积神经网络等。
3. 模型训练与优化：使用训练集对模型进行训练和优化，调整模型参数。
4. 测试与评估：在测试集上进行测试和评估，得出实验结果。
（二）结果分析通过实验，我们发现在城市街道场景下，基于深度学习的行人检测方法具有较高的准确性和稳定性。
其中，我们的模型在处理行人多姿态、环境复杂等因素时表现出了较强的鲁棒性。
此外，我们还发现，通过优化模型参数和改进训练策略，可以进一步提高模型的性能。
行人重识别技术综述
行人重识别技术综述随着城市的发展和人口的增加，道路交通已成为我们日常生活中不可避免的一部分。
在这个过程中，行人一直是道路安全的重要问题。
尤其在城市中，交通压力增加、路口数量增加、行人数量增加的情况下，交通事故的风险也在不断增加。
因此，重视行人安全问题成为城市管理的重点。
解决这个问题，行人识别技术也就成为了一个热门的研究领域。
本文将从行人重识别技术方面进行综述，讲述它的定义、发展历程和未来发展趋势。
一、行人重识别技术是什么？行人重识别技术（Pedestrian Re-identification）是一种计算机视觉技术，它是通过提取行人独特特征在不同视频画面中准确识别同一行人的过程。
例如，在一个跨越多个区域的监控系统中，大量的视频数据需要进行识别。
传统上，行人识别通常是在单个画面进行。
但是，对于跨越多个位置的行人，这种传统方法就很难应用。
因此，行人重识别技术就应运而生了。
与传统行人识别技术相比，行人重识别技术有两个主要的优点：首先，行人重识别技术可以跨越多个位置，为多个监控区域提供行人跟踪和行人识别。
其次，行人重识别技术可以实现多目标跟踪，即在多个移动目标中识别同一行人。
因此，行人重识别技术对于智能交通系统来说是非常重要的一部分。
二、行人重识别技术的发展历程行人识别技术是计算机视觉领域中的一部分，它已经成为研究的热门领域。
然而，行人重识别技术相对而言是一个相对较新的领域。
行人重识别技术的发展可以从以下几个方面进行探讨。
1、行人重识别技术的起源行人重识别技术的起源可以追溯到2012年的单通道视频多目标跟踪竞赛（PETS 2012）。
通过这项比赛，研究人员开始探索准确识别跨越多个场景的行人的方法。
2、传统的行人重识别技术传统行人重识别技术通常是基于两阶段的方法，分别是行人检测和行人重识别。
在第一阶段，我们需要学习如何检测行人。
在第二阶段，需要学习如何在不同的位置和角度中识别行人。
传统方法最大的问题是识别准确率不高，特别是在追踪滞留、多角度变化、遮挡和光线变化的情况下表现较差。
行人重识别的研究及发展意义
汇报人：黎 阳 时间：2019.11.22
01 行人重识别简介 02 行人重识别的发展与重难点 03 行人重识别的方法研究 04 车辆重识别
CONTENT
PART ONE
行人重识别简介
行人重识别的概念
CAMERA Person
行人重识别（Person re-identification)（简 称 person Re-ID）
3.基于特征融合的方法 4.基于生成对抗网络的方法
5.基于视频序列的方法 6.基于无监督学习的方法
7.基于cross-domain的方法
基于特征表达的方法
简述：虽然行人重识别的最终 目标是为了学习出两张图片之 间的相似度, 但是表征学习的 方法并没有直接在训练网络的 时候考虑图片间的相似度, 而 把行人重识别任务当做 (a)分类 (Classification) (b)验证(Verification) 两种问题来解决。
命中。
2
mAP
表示平均精度均值
行人重识别的评价指标
蓝色的框表示同一个人， 红色的框表示不同的人
行人重识别的评价指标
PART TWO
行人重识别的发展与重难点
行人重识别的发展历程
1996 开始关注行人重识别问题
行人重识别概念第一次 在CVPR上提出
2006
2007
提出一个对行人重识别研究具 有重大意义的数据集VIPeR
一、基于特征表达的方法----verification model（验证模型）
1. An Improved Deep Learning Architecture for Person Re-Identification （CVPR 2015 引用次数：645）
基于深度学习的行人重识别与人群密度估计技术研究
基于深度学习的行人重识别与人群密度估计技术研究行人重识别与人群密度估计是计算机视觉领域中的重要研究方向。
随着人工智能技术的不断发展，基于深度学习的行人重识别与人群密度估计技术也取得了显著的进展。
本文将重点讨论基于深度学习的行人重识别及人群密度估计技术的相关研究。
行人重识别是指在视觉监控系统中通过学习和匹配行人的特征来实现跨摄像头的行人识别。
深度学习技术在行人重识别领域中发挥了重要作用。
传统的行人重识别方法通常依赖于手工设计的特征或浅层模型，这些方法容易受到环境变化、姿态变换和光照变化等因素的影响，识别率较低。
而基于深度学习的行人重识别则通过端到端的学习，可以自动从大规模数据中学习到更具判别力的特征表示，大大提高了行人重识别的准确性。
基于深度学习的行人重识别方法通常由两个主要组件构成：特征提取网络和度量网络。
特征提取网络通常采用卷积神经网络（CNN）作为基础模型，通过对行人图像进行特征提取，获取行人的高层语义信息。
随后，度量网络将这些特征映射到一个低维嵌入空间中，使得同一个行人的特征向量更加接近，不同行人的特征向量更加远离。
通过度量网络的学习，可以使得特征向量之间的欧氏距离或余弦距离直接反映行人之间的相似度。
常用的深度学习模型包括Siamese网络、Triplet网络等。
在行人重识别技术的发展中，数据集的质量和规模起着至关重要的作用。
大规模的带有标注的数据集可以帮助深度学习模型学习到更具判别力的特征表示。
目前，市面上有一些公开的行人重识别数据集，例如Market-1501、DukeMTMC-reID等。
这些数据集包含了大量的行人图像，并且提供了详细的行人边界框和身份标签信息，可以用于训练和评估行人重识别模型的性能。
除了行人重识别之外，人群密度估计也是计算机视觉领域的一个重要问题。
人群密度估计的目标是利用计算机视觉技术从人群图像或视频中准确估计人群的数量。
在城市安防、交通管理等领域，人群密度估计可以帮助实现资源的合理调配和路径规划等任务。
行人检测技术研究综述
行人检测技术研究综述行人检测技术是计算机视觉领域中的一个重要研究方向，它的主要目标是通过计算机算法来识别图像和视频中的行人目标。
行人检测技术在很多领域中都有广泛的应用，如智能交通系统、安防监控、自动驾驶等。
本文将对行人检测技术的研究进行综述。
首先，行人检测技术的发展历程可以分为两个阶段：传统的机器学习方法和深度学习方法。
在传统的机器学习方法中，通常使用Haar特征和分类器（如SVM、Adaboost等）来进行行人检测。
这些方法在准确率方面有一定优势，但需要手工提取特征，且对光照和尺度变化敏感。
随着深度学习的兴起，基于深度神经网络的行人检测方法逐渐成为主流。
其中，卷积神经网络（CNN）被广泛应用于行人检测任务中。
CNN通过在图像中滑动卷积核，学习到不同层次的特征表示，从而提高了行人检测的准确率和鲁棒性。
目前，一些最先进的行人检测算法，如Faster R-CNN、YOLO和SSD，都采用了CNN来提取特征并生成候选区域。
其次，行人检测技术的研究面临一些挑战和问题。
首先是遮挡问题，即当行人被其他物体或人遮挡时，很难准确地进行检测。
为了解决这个问题，研究者们提出了一些创新的方法，如多尺度检测、上下文信息利用和部件检测等。
其次是光照变化和尺度变化问题。
由于光照和尺度的变化较大，传统的行人检测算法往往无法处理这些情况。
为了解决这个问题，一些研究者提出了基于深度学习的多尺度网络，可以在不同的尺度和光照下进行行人检测。
此外，行人检测技术还面临着实时性的要求。
在实际应用中，行人检测需要在实时性的条件下完成。
对于视频监控系统或自动驾驶汽车等需要实时响应的应用场景，检测速度是一个关键因素。
为了提高检测速度，研究者们提出了一些加速方法，如区域建议网络（RPN）和快速RCNN等。
最后，未来的研究方向可以从以下几个方面展开。
首先，可以进一步提高行人检测的准确率和鲁棒性，尽量减少误检和漏检的情况。
其次，可以将行人检测与其他任务相结合，如行人重识别、行人姿态估计等。
行人重识别算法综述
行人重识别算法综述作者：田宇来源：《科学与信息化》2020年第27期摘要行人重识别是指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。
随着生成对抗网络的发展，行人重识别技术也得到了突破。
本文根据生成对抗网络对数据集扩充的角度，对现有行人重识别文献进行详细的总结和分析。
关键词行人重识别;深度学习;生成对抗网络;计算机视觉行人重新识别是指给定目标行人图像，从其他的摄像机捕获的图像中重新识别目标行人的过程。
行人重识别可以弥补当前固定摄像机的视觉限制，可以与行人检测、姿态估计方向相互配合，用于视频监控、智能安全等领域。
生成对抗网络[1]在近几年得到了蓬勃的发展，其中一个重要应用就是图片生成。
深度学习方法需要依赖大量训练数据，目前行人重识别的数据集总体来说规模还是比较小。
为此生成对抗网络在重识别系统[2]中得到广泛应用，接下来将从扩大标签图片方面总结行人重识别的发展趋势。
1 DG-net网络行人重识别算法基于生成对抗网络的行人重识别系统中，绝大部分将数据生成模块与重识别模块相分开。
先依靠生成对抗网络扩充数据集，然后依靠重识别系统返回目标行人的图片。
DG-net网络将数据生成和重识别统一到同一个框架中，实现端到端的行人重识别。
生成模型会将行人编码成外观代码和结构代码，通过交换外观代码和结构代码，生成高质量交叉ID的混合图像。
通过将外观代码在线反馈判别器模型，来改进判别器，实现数据生成与重识别间相互关联。
与传统方法相比，DG-net网络可控性强，完全利用训练数据集信息，不需要增加任何额外的数据。
DG-net网络实验结果如图1所示。
图1; DG-Net实验效果图2 基于渐进姿态迁移网络行人重识别为了尽可能模拟自然状态下，行人姿态的多样性，可以依赖生成对抗网络实现姿态迁移。
采用生成对抗生成方法的渐进式姿态迁移方法，通过一系列中间姿态，将目标姿态迁移到原始图像上去。
根据输入的两张图片分别提取出当前姿态和目标姿态。
基于多模态信息融合的行人重识别技术研究
基于多模态信息融合的行人重识别技术研究随着科技进步的不断推进，人们对智能安防系统的需求也不断增加。
行人重识别技术作为智能安防系统的其中一项核心技术之一，已经被广泛应用于人员跟踪、失踪人员搜索、犯罪嫌疑人追踪等方面。
然而，当前的行人重识别技术还存在许多问题，例如跨摄像头的鲁棒性、遮挡情况下的识别准确率等。
为了解决这些问题，本文着重探讨了基于多模态信息融合的行人重识别技术。
多模态信息融合技术主要是指将来自不同传感器、不同类型数据的信息整合起来，从而得到更加全面、准确的信息。
在行人重识别领域，多模态信息包括图像（visible）、红外（infrared）等不同类型信息。
这些信息通常具有不同的特征，可以互补、协同地提高行人重识别的准确率、鲁棒性。
在多模态信息融合的方法中，主要包括特征级、分数级和决策级融合三种方式。
特征级融合首先对各种传感器获取的不同数据进行特征提取，再将各个传感器的特征进行组合；分数级融合则将不同传感器的识别分数进行加权求和，最终得出结果；决策级融合则是将来自不同传感器的行人重识别结果进行综合，再输出最终结果。
基于多模态信息融合的行人重识别技术不仅仅可以应用于单一场景下，还可以在跨摄像头的场景下进行跟踪。
这种情况下，需要将不同摄像头下获取的行人图像进行比对和匹配。
一些学者尝试将多摄像头下的图像通过迁移学习的方法映射到同一空间中，再进行相似性匹配；另一些学者则采用基于深度学习的方法对图像特征进行自适应学习，从而在跨摄像头的场景下获得较好的识别效果。
此外，基于多模态信息融合的行人重识别技术也可以应用于一些特殊场景，例如夜间、低光照等光线条件不好的场景。
这种情况下，传统的可见光图像便不适用，而红外图像则可以更好的适应低照度环境。
因此，通过将红外图像与可见光图像进行多模态信息融合，可以有效提高夜间场景下的行人重识别准确率。
需要注意的是，基于多模态信息融合的行人重识别技术仍然存在一些问题。
例如，在多传感器融合中，如何确定各个传感器的权重；在跨摄像头的匹配中，如何解决摄像头位置变化带来的空间变化等问题。
视频监控中的行人重识别研究与应用
视频监控中的行人重识别研究与应用行人重识别是计算机视觉领域中的重要研究方向，该技术通过在视频监控中准确地识别行人的身份，具有广泛的应用前景。
本文将对视频监控中的行人重识别进行深入研究与应用，并探讨其在安全监控、智能交通等领域中的价值和意义。
首先，我们介绍行人重识别的基本原理。
行人重识别是指对不同时间、地点和角度拍摄到的行人图像、视频进行准确识别的技术，其关键挑战在于解决行人外观的变化，包括姿势、遮挡、光照等问题。
为了解决这些问题，研究者们提出了一系列的行人重识别算法，如基于深度学习的图像特征提取和度量学习方法等。
其次，我们探讨行人重识别在视频监控中的应用。
视频监控系统广泛应用于公共交通、社区、商场等场所，通过实时监控，可以及时应对各种突发事件和犯罪行为。
而行人重识别技术能够在视频监控中实现对特定人员的跨摄像头跟踪，极大地提高了监控系统的智能化和实用性。
通过行人重识别技术，可以实现以下应用：首先是视频监控下的安全监测。
通过行人重识别技术，监控系统可以对特定人员进行实时追踪，当出现可疑人员时，可以立即发出警报，并及时采取相应的措施。
这在保护公共安全和追踪犯罪嫌疑人方面具有重要意义。
第二是智能交通系统中的行人识别。
交通安全是城市管理的重要环节，而行人重识别技术可以在交通监管中发挥重要作用。
通过在交叉口、人行横道等重要路段安装视频监控设备，结合行人重识别技术，可以对交通违规行为进行监测和记录，提高交通违规查处的精确度和效率。
此外，行人重识别还可以应用于商场、博物馆等场所的人流统计和客流分析。
通过对行人进行匿名统计，可以了解人群的分布、流动和特征，为商场运营、展览策划等提供有价值的数据支持，从而优化经营管理和服务精细化。
在行人重识别的研究领域中，也存在一些待解决的问题和挑战。
首先是算法的准确性和鲁棒性。
行人重识别需要解决行人相似度计算、姿态不变性和局部遮挡等问题，仍然存在一定的误识别和不确定性。
其次是隐私保护的问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｃ ｈ ｉ ｎ ａ ）
Ａｂｓ ｔ ｒ ａ ｃ ｔ ： Ｔｈ ｅ ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ ｖ ｉ ｄ ｅ ｏ ａ ｎａ ｌ ｙ ｓ ｉ ｓ ｍｅ ｔ ｈ ｏ ｄ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｐ ｅ ｄｅ ｓ ｔ ｒ ｉ ａ ｎ ｒ ｅ — ｉ ｄ ｅ ｎ ｔ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ ｈ ａ ｓ ｂ ｅ ｃ ｏ ｍｅ ａ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｆ ｏ Ｃ ＵＳ ｉ ｎ ｔ ｈ ｅ ｉｅ ｆ ｌ ｄ ｏ ｆ ｃ ｏ ｍｐ ｕｔ ｅ ｒ ｖ ｉ ｓ ｉ ｏ ｎ， ａ ｎ ｄ ｉ ｔ ｈ ａ ｓ ｒ ｅ ｃ ｅ ｉ ｖ ｅ ｄ ｅ ｘ ｔ ｅ ｎ ｓ ｉ ｖｅ ａ ｔ ｔ ｅ ｎ ｔ ｉ ｏ ｎ ｆ ｒ ｏ ｍ ｔ ｈｅ ａ ｃ ａ ｄ ｅ ｍｉ ｃ ｃ ｏ ｍｍ ｕ ｎｉ ｔ ｙ． Ｐｅ ｄ ｅ ｓ ｔ ｒ ｉ ａ ｎ ｒ ｅ － ｉ ｄ ｅ ｎ ｔ ｉ ｉｃ ｆ ａ － ｔ ｉ ｏ ｎ ａ ｉ ｍｓ ｔ ｏ ｖｅ ｒ ｉ ｆ ｙ ｐｅ ｄ ｅ ｓ ｔ ｒ ｉ ａ ｎ ｉ ｄ ｅ ｎ ｔ ｉ ｔ ｙ ｉ ｎ ｉ ｍａ ｇ ｅ ｓ ｅ ｑ ｕ ｅ ｎ ｃ ｅ ｓ ｃ ａ ｐ ｔ ｕ ｒ ｅ ｄ ｂ ｙ ｃ ａ ｍｅ ｒ ａ ｓ ｔ ｈ ａ ｔ ａ ｒ ｅ ｏ ｒ ｉ ｅ ｎ ｔ ａ ｔ ｅ ｄ ｉ ｎ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｄｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎｓ ａ ｔ ｄｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｔ ｉ ｍｅ ｓ ． Ｔｈ ｉ ｓ ｃ ｕｒ ｒ ｅ ｎｔ ｓ ｔ ｕｄ ｙ ｉ ｓ ｃ ｌ ａ ｓ ｓ ｉ ｉｅ ｆ ｄ ｉ ｎ ｔ ｏ ｔ ｗｏ ｃ ａ ｔ ｅ ｇｏ ｒ ｉ ｅ ｓ ：ｉ ｍａ ｇ ｅ — ｂａ ｓ ｅ ｄ ａ ｎｄ ｖｉ ｄ ｅ ｏ － ｂａ ｓ ｅ ｄ ａ ｌ ｇｏ ｒ ｉ ｔ ｈ ｍｓ ． Ｆｏ ｒ ｔ ｈ ｅ ｓ ｅ ｔ ｗｏ ｃ ａ ｔ ｅ ｇ ｏ ｉｅ ｒ ｓ ， ｕ ｓ ｉ ｎ ｇ ｆ ｅ ａ ｕｒ ｔ ｅ ｄ ｅ ｓ ｃ ｉｐｔ ｒ ｉ ｏ ｎ， ｍｅ ｔ ｉｃ ｒ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ， ａ ｎ ｄ ｖ ａ ｒ ｉ ｏ ｕｓ ｂ ｅ ｎ ｃ ｈｍａ ｒ ｋ ｄ ａ ｔ ａ ｓ ｅ ｔ ｓ ， ｄ ｅ ｔ ａ ｉ ｌ ｅ ｄ ａ ｎ ａ ｌ ｙｓ ｉ ｓ ｉ ｓ ｐ ｅ ｒ — ｆ ｏ ｒ ｍｅ ｄ， ａ ｎｄ ａ ｓ ｕｍ ｍ ａ ｒ ｙ ｉ ｓ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ． Ｉ ｎ ａ ｄ ｄ ｉ ｔ ｉ ｏ ｎ ， ｔ ｈ ｅ ｗｉ ｄ ｅ ａ ｐｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｄ ｅ ｅ ｐ — ｌ ｅ ａ ｎｉ ｒ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ ｉ ｎ ｒ ｅ ｃ ｅ ｎ ｔ ｙ ｅ ａ ｒ ｓ ｈａ ｓ ｃ ｈａ ｎ ｇ ｅ ｄ ｐｅ ｄ ｅ ｓ ｔ ｉａ ｒ ｎ ｒ ｅ — ｉ ｄ ｅ ｎ ｔ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｔ ｅ ｒ ｍｓ ｏ ｆ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｄ ｅ ｓ ｃ ｒ ｉ ｐ ｔ ｉ ｏ ｎ ａ ｎｄ ｍｅ ｔ ｒ ｉ ｃ ｌ ｅ ａ ｍｉ ｎｇ ． Ｔｈ ｅ ｐ ａ ｐ ｅ ｒ ｓ ｕｍｍ ａ ｒ ｉ ｚ ｅ ｓ ｔ ｈ ｅ印 －
第 １ ２ 卷第 ６ 期
２ ０ １ ７年 １ ２月
智
能
系 １ ２ ＮＯ． ６ Ｄｅ ｃ ．２ ０１ ７
ＣＡＡＩ Ｔｒ ａ ｎｓ ａ ｃ ｔ ｉ ｏ ｎｓ Ｏ Ｄ Ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｚ ｅ ｎ ｔ Ｓ ｖ ｓ ｔ ｅ ｍｓ
Ｄ０Ｉ ： １ ０ ． １ １ ９ ９ ２ ／ ｔ ｉ ｓ ． ２ ０１ ７ ０ ６ ０ ８ ４
中 图分 类 号 ： Ｔ Ｐ １ ８ ｌ 文献标志码： Ａ 文章编号 ： １ ６ ７ ３ — ４ ７ ８ ５ ｆ ２ Ｏ １ ７ ） ０ ６ — ０ ７ ７ ０ — １ １
中文引用格式 ： 宋婉茹， 赵 晴晴， 陈昌红， 等． 行人重识别研究综述【 Ｊ １ ． 智能 系统学报， ２ ０ １ ７ ， １ ２ （ ６ ） ： ７ ７ ０ － ７ ８ ０ ．
述、 度量学 习和数据库集 ３个方面将现有 文献分类进行 了详细地总结和分析 。此外， 随着近年来 深度学习算法 的广 泛应用 ， 也 带来 了行人重识别在特征描述 和度量 学习方面算法的变革 ， 总结 了深度学 习在行人重识别 中的应用， 并对 未来发展趋势 进行 了展 望。 关键词 ： 行人重识别 ； 特征表达 ； 度量学 习； 深度学 习； 卷积神经 网络 ； 数据集 ； 视频监控
宋婉 茹， 赵 晴晴 ， 陈昌红 ， 干 宗 良， 刘峰
（ 南京邮 电大 学 通信与信 息工程 学院， 江 苏 南京 ２ １ ０ ０ ０ ３ ） 摘 要： 行人重识别 是智能视频分 析领域 的研究 热点， 得到 了学术 界的广泛重视 。行人重识别 旨在 非重叠视角域 多
摄像 头网络下进行的行人 匹配 ， 即确认 不同位置的摄像头在不 同的时刻拍 摄到的行人 目标是否为 同一人 。本文 根据 研究 对象的不 同， 将 目前的研究分 为基于 图像 的行 人重识别 和基 于视频 的行人重 识别两类 ， 对这 两类 分别从特征 描
网络出版地址： ｈ ｔ ｔ ｐ ： ／ ／ ｋ ｎ ｓ ． ｃ ｎ ｋ ｉ ． ｎ ｅ ｔ ／ ｋ ｃ ｍｓ ／ ｄ ｅ ｔ ａ ｉ ｌ ／ ２ ３ ． １ ５ ３ ８ ． Ｔ Ｐ ． ２ ０ １ ７ １ １ ０ ９ ． １ ５ ３ ４ ． ０ ３ ２ ． ｈ ｔ ｍｌ
行 人 重 识 别 研 究 综 述
Ｓ Ｏ ＮＧ Ｗａ ｎ ｒ ｕ ， Ｚ ＨＡＯ Ｑｉ ｎ ｇ ｑ ｉ ｎ ｇ ， Ｃ Ｈ Ｅ Ｎ Ｃ ｈ ａ ｎ ｇ ｈ ｏ ｎ ｇ ， ＧＡ Ｎ Ｚ ｏ ｎ ｇ ｌ ｉ ａ ｎ ｇ ， Ｌ Ｉ Ｕ Ｆ ｅ ｎ ｇ
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｃｏ ｍｍｕ ｎ ｉ ｃ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｎａ ｎ ｊ ｉ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｐ ｏ ｓ ｔ ｓ ａ ｎ ｄ Ｔ ｅ ｌ ｅ ｃ ｏ ｍｍｕ ｎ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ， Ｎａ ｎ ｊ ｉ ｎ ｇ ２ １ ０ ０ ０ ３ ，
ｔ ｒ ａ ｎ ｓ ａ ｃ ｉ ｔ ｏ ｎ ｓ ｏ ｎ ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ ｓ ｙ ｓ ｔ ｅ ｍｓ ， ２ ０ １ ７ ， １ ２ （ ６ ） ： ７ ７ ０ － ７ ８ ０ ．
Ｓｕ ｒ ｖ ｅ ｙ ｏ ｎ ｐ ｅ ｄ ｅ ｓ ｔ ｒ ｉ ａ ｎ ｒ ｅ － ｉ ｄ ｅ ｎ ｔ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ