从姿态到身份：基于特征中心化的无训练人员再识别

行人重识别（Person Re-Identification, ReID）旨在提取准确的身份表征特征。然而，在特征提取过程中，个体样本不可避免地受到噪声干扰（如背景杂乱、遮挡以及模型自身局限性）。考虑到经过训练后，同一身份的特征会围绕其身份中心呈正态分布，本文提出一种无需训练的特征中心化ReID框架——Pose2ID，通过聚合同一身份的特征来降低个体噪声，增强身份表征的稳定性，同时保留特征原有的分布特性，以支持后续策略（如重排序）的高效应用。具体而言，为获取同一身份的样本，我们引入两个核心组件：身份引导行人生成（Identity-Guided Pedestrian Generation）——利用身份特征引导图像生成过程，生成具有多样姿态的高质量图像，即使在红外成像、遮挡等复杂场景下也能保持良好的身份一致性；邻域特征中心化（Neighbor Feature Centralization）——从每个样本的邻域中探索其潜在的正样本，进一步提升特征的聚类效果。实验结果表明，所提出的生成模型具备强大的泛化能力，并能有效维持高身份一致性。在采用ImageNet预训练模型且无需ReID微调的情况下，Pose2ID框架在Market1501数据集上取得了52.81%的mAP和78.92%的Rank-1准确率，表现极为出色。此外，该方法在标准ReID、跨模态ReID以及遮挡ReID任务中均取得了新的最先进性能，充分展现了其卓越的适应性与鲁棒性。