گراف تناسب مبنی بر ویژگی برجسته برای شناسایی مجدد شخص
چکیده
ما یک خط مشی مبنی بر شناسایی مجدد یک شخص بدون آموزش را پیشنهاد می کنیم که از قوانین متقارن همچنین ارتباطات ساختاری میان ویژگی برجسته استفاده می کند. این ایده از این فرضیه آمده است که تقارن های محلی در مقیاس های متفاوت نیز توسط ویژگی های زمینه ای تحمیل شده اند که به طور بالقوه ای برای تغییرات ظاهری بزرگ نسبت به ویژگی های سطح پایین تر مانند یک SIFT ، ASIFT ، نامتغیر هستند. در نهایت ، ما مشکل شناسایی مجدد را به صورت یک گراف متناسب با مشکل فرمول بندی می کنیم که در آن هر شخص توسط یک گراف نمایش داده شده که هدف آن تنها تناسبات نمی باشند بلکه انتخاب یک ویژگی مفید اضافی نیز می باشد. نتایج آزمایشی بر روی مجموعه داده عمومی ، عملکرد خوبی را در مقایسه با نتایج حالت هنری فراهم کرده اند.
مقدمه
کشف تقارن به شدت به تشخیص الگو وابسته است. در مقابل ، توصیف یک شکل ممکن است در زمانی که در زمینه ای با تقارن افقی یا عمودی نصب شده است ، متفاوت باشد [۱۹]. مفهوم تقارن ، یکنواخت نیست : انواع متفاوتی از ویژگی های یک تصویر به صورت متقارن تعریف شده اند [۳۰,۲۸]. به عنوان مثال ، یک شکل در زمانی تقارن چرخشی دارد که می تواند کمتر از حول نقطه یا محور مرکزی اش بچرخد و هنوز با شکل اولیه متناسب باشد.
این نشانه عجیب و غریب در شناسایی مجدد فرد است که در آن مشکل شامل به رسمیت شناختن مردم در شمار مختلفی از تصاویری است که از دوربین های مجزا آمده اند. این یک وظیفه مهم در نظارت تصویری است که در آن محیط های بزرگ و ساختاریافته باید تحت نظارت قرار گیرند ( مانند فرودگاه ، مترو ، ایستگاه یا مراکز خرید) و این امر زمانی بحرانی تر می شود که کاردینالیتی مجموعه گالری افزایش یابد.
تقارن در [۶] اقتباس شده است ، روش شناسایی مجدد یک فرد که اطلاعات ظاهر شده را وزن دهی می نماید از بخش های بدنه ای متفاوتی استخراج شده که با توجه به فاصله آن ها از محور تقارن محاسبه شده در کل شکل است. بنابراین ، تقارن به کار رفته به عنوان یک ویژگی جهانی در فعالیت قبلی به نظر می رسد ، نه به عنوان یک ویژگی محلی. متقابلا ، تقارن هم به عنوان ویژگی جهانی و هم به عنوان ویژگی محلی در خط مشی ما اقتباس شده است. خصوصا ، محور تقارن جهانی برای انتخاب مکان های برجسته نمایش دهنده هر عابرپیاده بهره برداری شده است ، در حالی که تقارن محلی مانند ویژگی محلی با توجه به تشریح هر مکان برجسته اقتباس گشته است.
محققان در بینش کامپیوتری پیشرفت های عمده ای را در نمایش و آشکارسازی تقارن ها در تصاویر و انواع دیگر ی از داده ها ایجاد نموده اند [۱۵].
بااین وجود ، فعالیت نسبتا کمی بر روی استفاده از تقارن های محلی مانند ویژگی های صریح برای وظایف تناسب انجام گرفته است [۲] ، و هیچ فعالیتی درباره تناسب عابر پیاده با تعداد متفاوتی همانند این مورد در شناسایی مجدد ، انجام نگرفته است. ایده اصلی ، استفاده از تنوعی از تقارن ها به همراه محیط ها مانند موارد عجیب و غریب به منظور تعریف یک آشکارکننده ویژگی پیچیده براساس این فرضیه است که در مقیاس های متفاوت تقارن به طور بالقوه ای برای تغییرات ظاهری بزرگ نسبت به ویژگی های سطح پایین تر همانند SIFT نامتغیر باقی می ماند و زمانی که با یک ویژگی مبنی بر متن ترکیب می شود ، بسیار متمایز می گردد [۱۱].
در این زمینه ، همکاری اصلی در ویژگی های تصویر و سازماندهی ویژگی اقتباس شده برای تناسب ، قرار دارد. قدرت تبعیض می تواند کارآمدتر باشد اگر ویژگی ها در یک طرح مناسب ، سازماندهی شده باشند. بیشتر محققان بر روی نوجه شان به ویژگی های استخراجی در بیشتر روش ها از صحنه تمرکز دارند. ویژگی های Harris و SIFT [16] برای تشخیص این امر مهم هستند که چه چیزی برای هدف یک تشخیص صحیح از صحنه ، مشخص و مورد تبعیض است ؟ دسته ای از الگوریتم های کلمات برای توصیف کنندگان SIFT برای تشخیص ترکیبات تبعیضی از توصیف کنندگان ، به کار رفته اند [۴]. در [۱۸] عملیات یک کلاسترینگ برای توصیف کنندگان منجر به نتایجی شده است که در یک کلاستر بزرگ نسبت به همین موارد در یک کلاستر کوچک ، کمتر مشخص هستند. برای مثال در ناوبری داخلی ، گوشه های پنجره مشترک هستند به طوری که آن ها ویژگی های خوبی برای صحنه های تشخیص یکتا نمی باشند در حالی که گوشه های در پوسترها یا علائمی یافت شده اند که بسیار بهترند. در [۷] ، یک خط مشی موثر براساس تشخیص حلقه زمان واقعی برای استفاده موثر از یک دوربین دستی از طریق ویژگی های SIFT و شدت و تار یخچه های ترکیبی با استفاده از دسته ای از خط مشی کلمات ، اثبات شده است. از گذشته تا کنون هیچ یک از خط مشی های موجود ، ارتباطات میان ویژگی ها از نظر تشابه و هم جنسی کامل را به عهده نگرفته اند.
همکاری اصلی ما متشکل از معرفی یک خط مشی مبنی بر نمایشات گراف ، باتوجه به نواحی ای با بردار ویژگی متناظر آن ها است و ارتباط جغرافیایی میان این نواحی به شکل یک گراف اینکد شده است. با توجه به این ایده که یک تصویر می تواند در سطح بالاتری از نظر سلسله مراتبی از تقارن های محلی تشریح شود ما یک خط مشی تناسب گراف جدید را برای این مشکل مورد نظر در تکامل یک مجموعه اولیه از تناظر ها میان محدودیت های تحمیل شده توسط ویژگی های محلی و روابط ساختاری ، نمایش می دهیم.
Salient feature based graph matching for person re-identification
Abstract
We propose a person re-identification non-learning based approach that uses symmetry principles, as well as structural relations among salient features. The idea comes from the consideration that local symmetries, at different scales, also enforced by texture features, are potentially more invariant to large appearance changes than lower-level features such as SIFT, ASIFT. Finally, we formulate the re-identification problem as a graph matching problem, where each person is represented by a graph aimed not only at rejecting erroneous matches but also at selecting additional useful ones. Experimental results on public dataset i-LIDS provide good performance compared to state-of-the-art results.
دانلود مقاله اصلی:
https://www.sciencedirect.com/science/article/abs/pii/S0031320314003720
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد