Multi-dimensional features for Person Re-identification based tensor analyses

Abstract

La ré-identification des personnes (PRe-ID) fait partie des principaux éléments d’un système de surveillance visuelle automatisé. L’identification de la personne est définie comme le processus consistant à déterminer si une personne cible est déjà apparu sur un réseau de caméras. L’identification de la personne est une tâche difficile en raison des variations d’éclairage et de point de vue, de pose et d’occlusions. Dans ce travail, nous allons utiliser deux représentations efficaces appelées réseau de neurones convolutionnels (CNN) et occurrence maximale locale (LOMO). Notre principale contribution est de savoir comment fusionner les fonctions CNN et LOMO en utilisant la représentation d’un tenseur d’ordre élevé afin d’améliorer la précision de notre approche et de notre méthode d’apprentissage métrique appelée Tensor Cross-view Quadratic Analysis (TXQDA) avec la distance mahalanobis. Ensuite, nous appliquerons trois ensembles de données de ré-identification de personnes difficiles, VIPeR, GRID et PRID450S