村主任刘忠诚将嫌疑人赵国强拿下

在公共安全领域，ReID技术根据目标人员的照片，去相关视频监控视频图库里去收集目标人出现的视频段。这样可以把目标人在各个摄像头的轨迹串连起来，这个轨迹一旦串连起来之后，相信对警察的破案刑侦有非常大的帮助，这是在智能安防的落地场景。

跨境追踪（ReID）技术实现及应用场景

ReID 是行人智能认知的其中一个研究方向，行人智能认知是人脸识别之后比较重要的一个研究方向，特别是计算机视觉行业里面，ReID 里比较热门的几项内容：

1、行人检测：任务是在给定图片中检测出行人位置的矩形框，这个跟之前的人脸检测、汽车检测比较类似，是较为基础的技术，也是很多行人技术的一个前置技术。

2、行人分割以及背景替换：行人分割比行人检测更精准，预估每个行人在图片里的像素概率，把这个像素分割出来是人或是背景，这时用到很多P 图的场景，比如背景替换。

3、骨架关键点检测及姿态识别：一般识别出人体的几个关键点，比如头部、肩部、手掌、脚掌，用到行人姿态识别的任务中，这些技术可以应用在互动娱乐的场景中，类似于Kinnect 人机互动方面，关键点检测技术是非常有价值的。

4、行人跟踪“MOT ”的技术：主要是研究人在单个摄像头里行进的轨迹，每个人后面拖了一根线，这根线表示这个人在摄像头里行进的轨迹，和ReID 技术结合在一起可以形成跨镜头的细粒度的轨迹跟踪。

5、动作识别：动作识别是基于视频的内容理解做的，技术更加复杂一点，但是它与人类的认知更加接近，应用场景会更多，这个技术目前并不成熟。

6、行人属性结构化：把行人的属性提炼出来，比如他衣服的颜色、裤子的类型、背包的颜色。

7、跨境追踪及行人再识别ReID技术。

ReID技术的定义

我们把ReID 叫“跨镜追踪技术”，它是现在计算机视觉研究的热门方向，主要解决跨摄像头跨场景下行人的识别与检索。该技术可以作为人脸识别技术的重要补充，可以对无法获取清晰拍摄人脸的行人进行跨摄像头连续跟踪，增强数据的时空连续性。

下图由四张图片构成，黄色这个人是之前新闻报道中的偷小孩事件的人，这个人会出现在多个摄像头里，现在警察刑侦时会人工去检索视频里这个人出现的视频段。这就是ReID 可以应用的场景，ReID 技术可以根据行人的穿着、体貌，在各个摄像头中去检索，把这个人在各个不同摄像头出现的视频段关联起来，然后形成轨迹，这个轨迹对警察刑侦破案有一定帮助。

ReID技术的难点

ReID 有很多技术难点。比如ReID 在实际应用场景下的数据非常复杂，会受到各种因素的影响，这些因素是客观存在的，ReID 必须要尝试去解决。

第一组图，无正脸照。最大的问题是这个人完全看不到正脸，特别是左图是个背面照，右图戴个帽子，没有正面照。

第二组图，姿态。绿色衣服男子，左边这张图在走路，右图在骑车，而且右图还戴了口罩。

第三组图，配饰。左图是正面照，但右图背面照出现了非常大的背包，左图只能看到两个肩带，根本不知道背包长什么样子，但右图的背包非常大，这张图片有很多背包的信息。

第四组图，遮挡。左图这个人打了遮阳伞，把肩部以上的地方全部挡住了，这是很大的问题。

图片上只列举了四种情况，还有更多情况，比如：

1、相机拍摄角度差异大；

2、监控图片模糊不清；

3、室内室外环境变化；

4、行人更换服装配饰，如之前穿了一件小外套，过一会儿把外套脱掉了；

5、季节性穿衣风格，冬季、夏季穿衣风格差别非常大；

6、白天晚上的光线差异等。

从刚才列举的情况应该能够理解ReID 的技术难点，要解决实际问题是非常复杂的。

ReID 常用的数据情况

下图列举了ReID 学术界最常用的三个公开数据集：

第一列，Market1501。用得比较多，拍摄地点在清华大学，图片数量有32000 张左右，行人数量是1500 个，相当于每个人差不多有20 张照片，它是用6 个摄像头拍的。

第二列，DukeMTMC-reID，拍摄地点是在Duke 大学，有36000 张照片，1800 个人，是8 个摄像头拍的。

第三列，CUHK03，香港中文大学，13000 张照片，1467 个ID，10 个摄像头拍的。

看了这几个数据集之后，应该能有一个直观的感受，就是在ReID 研究里，现在图片的数量集大概在几万张左右，而ID 数量基本小于2000，摄像头大概在10 个以下，而且这些照片大部分都来自于学校，所以他们的身份大部分是学生。

这可以跟现在人脸数据集比较一下，人脸数据集动辄都是百万张或者千万张照片，一个人脸的ID 多的数据集可以上百万，而且身份非常多样。这个其实就是ReID 面对前面那么复杂的问题，但是数据又那么少的一个比较现实的情况。

ReID 数据采集的特点：

1、必须跨摄像头采集，给数据采集的研发团队和公司提出了比较高的要求；

2、公开数据集的数据规模非常小；

3、影响因素复杂多样；

4、数据一般都是视频的连续截图；

5、同一个人最好有多张全身照片；

6、互联网提供的照片基本无法用在ReID；

7、监控大规模搜集涉及到数据，涉及到用户的隐私问题。

这些都是ReID 数据采集的特点，可以归结为一句话：“数据获取难度大，会对算法提出比较大的挑战。”问题很复杂，数据很难获取，那怎么办？现在业内尽量在算法层面做更多的工作，提高ReID 的效果。

这里讲一下评价指标，在ReID 用得比较多的评价指标有两个：

第一个是Rank1

第二个是mAP

ReID 终归还是排序问题，Rank是排序命中率核心指标。Rank1 是首位命中率，就是排在第一位的图有没有命中他本人，Rank5 是1-5 张图有没有至少一张命中他本人。更能全面评价ReID 技术的指标是mAP 平均精度均值。

ReID 实现思路与常见方案。ReID 从完整的过程分三个步骤：

第一步，从摄像头的监控视频获得原始图片；

第二步，基于这些原始图片把行人的位置检测出来；

第三步，基于检测出来的行人图片，用ReID 技术计算图片的距离，但是我们现在做研究是基于常用数据集，把前面图像的采集以及行人检测的两个工作做过了，我们ReID 的课题主要研究第三个阶段。

了解更多内容，回复“ReID”下载[跨境追踪（ReID）技术实现及应用场景.PPT]

小结：

因为发挥空间大，实用价值大，所以ReID得到重视。早期遍布城市里面的摄像机，除卡口摄像机、电子警察用的抓拍摄像机之外，符合人脸采集标准的摄像机相对比例不高。而要最大限度挖掘传统平安城市、雪亮工程的视频图侦的潜力，无疑ReID最有价值。

千视通作为ReID技术和应用为核心的计算机视觉科技公司，在ReID上取得了不错成绩。2019年1月，阿里巴巴机器智能技术实验室在行人重识别算法上也获得突破性成果。

2019年3月，中国人工智能“国家队”、AI四小龙之一的云从科技宣布在跨镜追踪技术（ReID）上再次取得重大进展，云从科技研究团队在Market-1501、DukeMTMC-reID、CUHK03三大主流ReID数据集的两大核心指标mAP与Rank-1准确率上均取得第一，其中在Market-1501数据集上的mAP远超目前业内顶尖水平，达到了惊人的91.14%。

另外，包括老牌的安防公司如海康，大华，以及新晋独角兽商汤、旷视，还有传统的互联网巨头，BAT，华为等，都对行人重识别（ReID）非常关注，在算法，数据和人才等各个方面上进行着布局和积累。

内容来源：云从科技资深算法研究员袁余锋，[跨境追踪（ReID）技术实现及应用场景]讲座

迎企业投稿（技术解析，案例分享），安天下择优推送！返回搜狐，查看更多