学习服装和姿态不变的3D形状表示以实现长期人员再识别

长期人员再识别（LT-ReID）在计算机视觉和生物特征识别领域变得越来越重要。在这项工作中，我们旨在将LT-ReID的应用范围从行人识别扩展到涵盖更广泛的真实世界人类活动，同时仍然考虑长时间间隔内衣物变化的情况。这一设置带来了额外的挑战，因为人体姿态和服装的多样性会导致几何错位和外观模糊。为了解决这些挑战，我们提出了一种新的方法——3DInvarReID，该方法能够（i）分离3D着装人体的身份成分与非身份成分（姿态、服装形状和纹理），并（ii）联合重建精确的3D着装人体形状以及学习裸体形状的判别特征，以实现人员再识别。为了更好地评估我们的LT-ReID研究，我们收集了一个名为CCDA的真实世界数据集，该数据集包含各种各样的人类活动和衣物变化。实验结果表明，我们的方法在人员再识别方面具有优越的性能。