- 文献综述（或调研报告）：
目前，已经有许多学者对行人重识别提出了不同的方法。
（1）基于特征表示：该方法主要重点是设计可靠的行人图像特征表示模型，即能够区分不同行人，且不受光照等因素的影响。学者们把特征分成了三个层次来研究。
①底层视觉特征：该层特征包括颜色、形状、纹理、外观、轨迹、局部等，最常用的的则是颜色特征，通常用RGB、HSV直方图表示。把RGB空间的图像转化成HSL和YCbCr颜色空间，观察对数颜色空间中目标像素值的分布，颜色特征在不同光照或角度等行人识别的不适环境中具有一定的不变性。Scale-invariant feature transform,SIFT[1]、SURF[2]和Covariance描述子ELF(ensemble of localized features)方法中，结合RGB、YCbCr、HS颜色空间的颜色直方图，具有旋转不变性的Schmid和Gabor滤波器计算纹理直方图。
②中层语义属性：该层通过语义信息来判断两张图像是否属于同一行人，比如颜色、衣服以及携带物等信息。因为相同的行人在不同视频拍摄下，语义属性很少变化。Layne[3]等人采用15种语义来描述行人，包括鞋子、头发颜色长短、是否携带物品等，分类器用SVM定义每幅行人图像的以上语义属性。结合语义属性重要性加权以及与底层特征融合，最终描述行人图像。Shi[4]等人对图像超像素划分，最近分割算法对图像块定义多种特征属性，颜色、位置和SIFT特征，效果有提高。Yu等[18]认为中级特征存在于深度神经网络的早期层，它只需要被提取表示并与输出层适当的融合。基于这点它们提出了2个框架，都实现了新的成果。
③高级视觉特征：该层提升了对特征的选择技术，如Fisher[5]向量编码；提取颜色或纹理直方图，预先定义块或条纹形状的图像区域；或者编码区域特征描述符来建立高级视觉特征[6]。Gou等[7]用某种描述符对密集轨迹、纹理、直方图进行编码，突出重要信息。Karanam[8]等对行人的n幅图像的每个图像分成6个水平条带，在每个条带上计算纹理和颜色直方图。在YCbCr、HSV、白化的RGB颜色空间计算直方图建立颜色描述符，并用local fisher discriminant analysis（LFDA）降维。T.Matsukawa[9]等提出GOG（Gaussian Of Gaussian），把一幅图像分成水平条带和局部块，每个条带用一个高斯分布建模。每个条带看作一系列这样的高斯分布，然后用一个单一的高斯分布总体表示。
此外，深度学习也被应用于行人重识别的特征提取中，在AlexNet-Finetune中，开始在ImageNet数据集上与训练的基于AlexNet结构的CNN，并用这个数据集对数据进行微调[10]。在微调过程中，不修改卷积层的权重，训练后两个全连接层。McLaughlin等[11]采用了类似的方法，对图像提取颜色和光流特征，采用卷积神经网络（CNN）处理得到高层表征，然后用循环神经网络（RNN）捕捉时间信息，然后池化得到序列特征。
（2）度量学习方法：由于摄像机的视角、尺度、光照、服饰与姿态变化、分辨率不同以及遮挡，不同摄像头间可能会失去连续的位置和运动信息，使用欧氏距离、巴氏距离等标准的距离度量来度量行人表观特征的相似度不能获得很好的重识别效果，因此学者们提出了通过度量学习的方法。该方法获得一个新的距离度量空间，使得同一行人不同图像的特征距离小于不同人的距离。距离度量学习方法一般是基于马氏距离而进行。2002年，Xing等[12]提出以马氏距离为基础的度量学习算法，根据样本的类别标签，将具有相同标签的样本组成正样本对，反之组成负样本对，并以此作为约束训练得到一个马氏矩阵，通过这样学习到的距离尺度变换，使得相同的人特征距离减小，而不同的人特征距离增大，以此开创了行人重识别中距离度量学习的先河。
目前在行人重识别中有一些普遍用于比较的度量学习算法。
①Weinberger等[13]提出LMNN算法，通过学习一种距离度量，使在一个新的转换空间中，对于一个输入xi的k个近邻属于相同的类别，而不同类别的样本与xi保持一定大的距离。Dikmen等[14]对LMNN进行改进提出LMNN-R算法，用所有样本点的平均近邻边界来代替LMNN中不同样本点所采用的各自近邻边界，相较于LMNN算法具有更强的约束效果。
②Zheng等[15]提出PRDC算法，相同人的图像组成同类样本对，不同行人目标之间组成异类样本对，获得度量函数对应的系数矩阵，优化目标函数使得同类样本对之间的匹配距离小于异类样本对之间的距离，对每一个样本，选择一个同类样本和一类样本与其形成三元组，在训练过程通过最小化异类样本距离减去同类样本距离的和，得到满足约束的距离度量矩阵。算法的基本思想在于增加正确匹配之间会拥有较短距离的可能性。2013年，Zheng等[16]在PRDC的基础上提出了一种相对距离比较算法RDC，RDC采用Adaboost算法来减少对标注样本的需求。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
