摘要
当前大多数行人重识别（ReID）方法忽略了空间-时间约束。对于给定的查询图像，传统方法计算查询图像与所有画廊图像之间的特征距离，并返回一个按相似度排序的列表。在实际应用中，当画廊数据库非常庞大时，这些方法由于不同摄像头视角下的外观模糊而无法获得良好的性能。本文提出了一种新颖的双流空间-时间行人重识别（st-ReID）框架，该框架挖掘了视觉语义信息和空间-时间信息。为此，引入了一种结合逻辑平滑（Logistic Smoothing, LS）的联合相似度度量方法，以将两种异构信息整合到统一框架中。为了近似复杂的空间-时间概率分布，我们开发了一种快速直方图-帕森（Histogram-Parzen, HP）方法。借助空间-时间约束的帮助，st-ReID模型消除了大量无关图像，从而缩小了画廊数据库的规模。我们的st-ReID方法在Market-1501数据集上达到了98.1%的首位命中率，在DukeMTMC-reID数据集上达到了94.4%的首位命中率，分别比基线方法提高了6.9%和10.6%，大幅超越了所有先前的最先进方法。