暗通道和测度学习的雾天行人再识别

孙 锐，方 蔚，高 隽



暗通道和测度学习的雾天行人再识别

孙 锐，方 蔚，高 隽

( 合肥工业大学计算机与信息学院，合肥 230009 )

行人再识别就是给定一张图片，在非重叠的视场行人数据库中，识别出相同的行人。行人再识别面临各种困难，针对来自于雾霾恶劣天气的影响，先利用暗通道先验知识的方法对图像去雾，再用局部最大特征和测度学习的算法对去雾图片行人再识别。实验结果表明，去雾后的行人再识别第1识别率(排名第1的搜寻结果)为41.75% 和第10识别率(排名第10的搜寻结果)81.26%相对于有雾条件第1识别率35.64%和第10识别率46.75%。

暗通道；局部最大特征；测度学习；行人再识别

0 引 言

行人再识别[1-3]指在非重叠区域多摄像头监控下进行行人匹配，即从不同的角度确定目标是否为同一个行人。行人再识别在社会公共安全领域有着重要的应用，然而受视角、光照、背景变化、摄像头因素的影响，导致同一个人外貌变化很大。针对这些问题目前再识别方法可分为：特征表示法[4-6]、机器学习法[7-8]。

然而再识别过程中，现实生活中其实存在着更难的问题，那就是恶劣雾霾天气带来的影响。雾霾天气使得大量的行人细节信息丢失，对行人匹配带来巨大的挑战，围绕这个问题本文提出了相应的方法。

对于雾霾天气下的行人再识别，本文的思路是，先用暗通道先验原理[9-10]去除雾霾，再用测度学习算法[11]进行行人再识别。

1 暗通道先验知识的图像去雾

本文采取暗通道先验知识对输入的雾化行人图片进行预处理，去除图片中的雾，便于后续行人再识别。

1.1 暗通道先验知识

如图1所示，清晰图片和雾天图片的暗通道图有着很多相似之处，即暗通道先验知识。经统计发现，图像的三个通道中至少有一个通道像素值很小。即非常小，其中是图像的某一像素，是该像素的某一颜色通道。若选择某一像素的邻域内所有像素的最小值作为该像素的最暗通道,其值接近于0，即：

图1 清晰图片与雾天图片及其对应的暗通道图

1.2 雾天图像基本模型

将雾天条件下的图像模型假设为

对与大气光的计算将暗通道图中的像素点按亮度排序，选取前0.1%处的亮度作为大气光的值。

2 基于测度学习的行人再识别

对于雾天条件下的行人再识别，经过前面的去雾处理后，采用局部最大特征(LOMO)和交叉视角二次判别分析的方法进行行人再识别。

行人在不同的摄像头下呈像的视角可能不一样，在不同的角度下的行人匹配难度比较大。为了解决这个问题，将图片分成6个横条区域，接着从每一个区域提取简单直方图。这个方法在解决视角问题上有一定作用，但仍然会丢失一些局部空间细节信息，于是我们加以改进，下面是特征提取的详细过程。

采用滑动窗口描述行人的局部细节信息。使用大小为10´10的窗口，每次的滑动步长为5个像素，通过这样的方式来定位到图片中的局部小块。从窗口中提取SILTP直方图和以及8´8´8-bin的HSV直方图。每一个直方图代表在窗口中对应模式出现的概率。为了解决视角问题，检查图片中同一行的所有窗口中提取特征，找到使每个模式出现概率最大的特征。最后得到的直方图特征既解决了视角变化问题，同时得到行人的局部细节特征。为了证明方法的有效性，在VIPeR数据库上进行了实验，该数据库上的图片具有两个视角。图2就是该LOMO特征提取过程。

图2 LOMO特征提取过程

3 交叉视角二次判别分析(XQDA)

3.1 Bayesian Face和 KISSME Revisit

而且推导出x和x之间的距离函数为

3.2XQDA

4 实 验

4.1 实验数据库和评价标准

本文所有实验是在数据库VIPeR上进行的，这个数据库对于行人再识别来说都具有一定的挑战性。基于雾天的行人再识别的思想是，采用一定的方式对原始的图片进行去雾，然后再用经典的行人再识别方法去处理去雾后的图片。通过对比两个结果，我们的方法的确能够提高行人匹配的准确率。

4.2 实验结果与分析

本文采用了MATLAB对雾天条件下的行人再识别进行了仿真实验。暗通道处理完图片后会使得图片的整体亮度变暗，如图3(a)所示，亮度低会隐藏一定的细节信息，对图片进行适当的亮度调整，如图3(b)所示。利用暗通道原理去雾后，最后使用LOMO+XQDA方法在常规情况(无雾)下行人再识别。为了突出本文方法在雾天下行人再识别的可行性，将本文方法和直接用LOMO+XQDA对雾天图片再识别进行对比，实验结果如图4所示。通过比较第一匹配率(Rank1)发现去雾前只有35.64%，而去雾后达到了41.75%效果十分明显。

图3 (a) 暗通道处理后图片亮度降低； (b) 亮度调整后的图片

图4 去雾前和去雾后对比

实验说明对于雾天下的行人再识别，本文的方法取得了一定的效果。但现实生活中雾的浓度会有所差别，行人离摄像头的距离会产生尺度的差异，针对这种情况分别进行了近距离重雾霾和远距离重雾霾的情况实验，如图5所示。

图5 (a) 近距离浓雾；(b) 远距离浓雾

图6 近距离浓雾和远距离浓雾对比

实验结果如图6所示。通过对比可以发现，当雾的浓度增大或行人尺度变小时，本文的方法依然有一定的效果，不过不是很明显，准确率相比原来有所下降，这是需要努力和改进的地方，能够在浓雾和小尺度的情况下仍然有较高的行人再识别的准确率。

5 结 论

雾天对于行人再识别是一个很大的挑战，白色的雾使得整个图片呈现大面积白色，隐藏了大量行人外貌信息。针对这个问题，本文提出先使用暗通道先验知识去雾，这样就可以排除雾对行人再识别的干扰。在数据库VIPeR上进行了实验可以清楚地看见去雾后，行人再识别的准确率大大的提高。去雾就是将不利于识别的雾去除，相当于恢复到天气良好的情况下进行行人再识别，这样就排除了恶劣天气带来的不利影响。城市中雾霾较严重，但视频监控仍然要进行，雾天下如果可以很好保证行人再识别的准确率，对于视频监控来说有着重要的意义。

[1] GONG Shang，Cristani M，SUN Yan，. Person Re-Identification [M]. Springer London，2014：1-21.

[2] Doretto G，Sebatian T，TU P，. Appearance-based person re-identification in camera networks：problem overview and current approaches [J]. Journal of Ambient Intelligence and Humanized Computing(S1868-5137)，2011，2(2)：127-151.

[3] 齐美彬，顫胜顺，王运侠，等. 基于多特征子空间与核学习的行人再识别 [J]. 自动化学报，2016，42(2)：299-308.

QI Meibin，TAN Shengshun，WANG Yunxia，. Multi-feature Subspace and Kernel Learning for Person Re-identification [J]. Acta Automatica Sinica，2016，42(2)：299-308.

[4] Gray DBrennan S，HONG Tao. Evaluating appearance models for recognition，reacquisition and tracking [C]// IEEE International Workshop on Performance Evaluation of Tracking and Surveillance，Rio de Janeiro，Brazil，October 14-16，2007，14(2)：1524-1531.

[5] Farenzena M，Bazzani L. Person re-identification by symmetry-driven accumulation of local features [C]// The IEEE Conference on Computer Vision and Pattern Recognition，San Francisco，California，USA，June 13-18，2010：2360-2367.

[6] Prosser B，WANG ZhengPerson re-identification by support vector ranking [C]// British Machine Vision Conference，Aberystwyth，UK，August 31-September 3，2010：21.1-21.11.

[7] WANG Zheng，GONG Shang. Re-identification by relative distance comparison [J]. IEEE Transaction on Pattern and Machine Intelligence(S0162-8828)，2012，35(3)：653-668.

[8] ZHAO Rui，OUYANG Wanli，WANG Xiaogang. Unsupervised Salience Learning for Person Re-identification [C]// IEEE Conference on Computer Vision and Pattern Recognition，Oregon Convention Center，Portland，Jun 25-27，2013：3586-3593.

[9] 褚宏莉，李元祥，周则明，等. 基于黑色通道的图像快速去雾优化算法 [J]. 电子学报，2013，41(4)：791-797.

CHU Hongli，LI Yuanxiang，ZHOU Zeming，. Optimized Fast Dehazing Method Based on Dark Channel Prior [J].Acta Electronica Sinica，2013，41(4)：791-797.

[10]HE Kaiming，SUN Jian，TANG Xian，. Single Image Haze Removal Using Dark Channel Prior [C]// IEEE Conference on Computer Vision and Pattern Recognition，Miami，Florida，USA，June 20-25，2009：1956-1963.

[11] LIAO Shan，HU Ying，ZHU Xiao，. Person Re-identification by Local Maximal Occurrence Representation and Metric Learning [C]// IEEE Conference on Computer Vision and Pattern Recognition，Boston，USA，June 7-12，2015：2197-2206.

Person Re-identification in Foggy Weather Based on Dark Channel Prior and Metric Learning

SUN Rui，FANG Wei，GAO Jun

( College of Computer and Information, Hefei University of Technology, Hefei 230009, China)

Person re-identification, identifying the same person in database from non-overlapping camera views, is a challenging task. To reduce the influence of foggy weather on person re-identification, dark channel prior is used to remove haze from input image first. Then, local maximal occurrence representation and metric learning is used to identify the same person’s images which remove haze. Experimental results show that the recognition rate of haze removed achieving 41.75% rank-1 and 81.26% rank-10, is higher than the recognition rate without haze removing which achieve 35.64 % rank-1and 46.75% rank-10.

dark channel; local maximal occurrence representation; metric learning; person re-identification

1003-501X(2016)12-0142-05

TP301.6

A

10.3969/j.issn.1003-501X.2016.12.022

2016-07-13；

2016-10-10

国家自然科学基金项目(61471154)

孙锐(1976-)，男(汉族)，安徽蚌埠人。教授，博士，主要研究工作是计算机视觉与机器学习智能信息处理。E-mail：sunrui@hfut.edu.cn。

方蔚(1993-)，男(汉族)，安徽黄山人。硕士研究生，主要研究工作是计算机视觉与机器学习。E-mail：1204764020@qq.com。