A learning-based method for person re-identification

Abstract

Farklı kameralardan elde edilmiş yaya görüntülerinin eşleştirilmesi, kişilerin yeniden saptanması problemidir. Düşük çözünürlüklü görüntüler, aydınlatmadaki değişiklikler, konumsal değişimler ve çanta gibi taşınan bazı objelerin değişik açılardan görünür olup olmaması bu problemi zorlaştırmaktadır. Bu tezde görüntüden çıkarılmış değişik özniteliklerin ayırt edebilirlik yeteneği, bir ikili sınıflandırma altyapısında incelenmiştir. Sonuçta, değişik öznitelik kümelerini (HSV histogramı, Maximally Stable Color Regions (MSCR) ve Speeded up Robust Features (SURF)), tek bir çatı üzerinde birleştirebilen öğrenme tabanlı bir yöntem önerilmiştir. Bazı kıyaslama kümeleri üzerinde yapılan deneyler göstermiştir ki, en iyi doğruluk değerleri, ağırlıklandırılmış ve yerelleştirilmiş histogram özniteliklerinden elde edilmiştir. Yayaların vücut görüntülerinin yatay eksende daha da bölünmesinin, kişilerin yeniden saptanmasındaki performansı arttırdığını savunuyoruz. Gerçekleştirdiğimiz nihai entegre altyapı, doğruluk anlamında en gelişkin modellerden daha iyi sonuçlar üretmiştir.Anahtar Kelimeler: Kişilerin Yeniden Saptanması, öğrenme tabanlı yöntem, HSV histogramı, Maximally Stable Color Regions (MSCR), Speeded up Robust Features (SURF)

Matching pedestrian images captured from different cameras is called person re-identification problem. The problem is challenging due to the low resolution of images, differences in illumination, the positional variance and possible appearance of carried objects, such as a bag, at different viewpoints. In this thesis, we investigate the discriminative ability of different features extracted from image in a binary classification framework. We finally propose a learning based method to combine different feature sets, Hue, Saturation, Value (HSV) histogram, Maximally Stable Color Regions (MSCR) and Speeded up Robust Features (SURF) matches, in a single framework. The experiments on widely used benchmark sets have shown that the best accuracy is obtained with weighted and localized histogram features. We also argue that further division of pedestrian body along the horizontal axis has the potential to increase the reidentification performance. Final integrative framework that we built outperforms the existing state-of-the-art models in terms of prediction accuracy.Keywords: Person re-identification, learning based method, HSV histogram, Maximally Stable Color Regions (MSCR), Speeded up Robust Features (SURF)