文献综述（或调研报告）：
研究背景：
随着人们安全意识的提高，监控网络的普及以及数据存储技术的发展，在公共场所（例如：机场、地铁站、商场、公园、学校、公司、大型广场等）建立完善监控系统愈加必要。对真实场景人员再标识技术的研究，已成为学术界和工程界关注的热点。基于真实场景的人员再标识所解决的问题是在真实场景监控网络中，对所拍摄到的目标行人进行跨摄像头匹配。而在真实场景中，摄像头难以捕捉到清晰的面部信息，因此基于全身信息的再标识技术具有广泛的应用前景。
国内外现状：
计算机视觉的研究人员在过去的几年的时间里做了大量的研究工作。如果只是在特定监控网络中再标识某个人，该人的外貌在短时间内不可能发生变化，所以提出了基于外貌的再标识技术[1]。再标识问题面临着一个重要问题：同一个人在不同光照和拍摄情况下的图片表征不一致。对于这个问题，美国密西根州立大学的U.Park等人[2]提出了一种在多摄像头视频网络中的视觉搜索引擎。引擎基于颜色特征对人进行再标识工作，并在再标识的特征表征加入纹理及空间信息。以提高准确性，Slawomir Bak等人[4]提出了一种基于Haar特征和DCD特征的行人再标识方法，利用Haar特征和DCD特征在数据库上进行行人再标识人物，比较发现基于Haar特征的再标识效果明显好于DCD特征的再标识效果。由此可见，纹理信息在行人再标识问题中有着重要的区分作业。为了综合各种特征信息进行再标识，M.Farenzena等人[3]提出了一种基于对称局部特征的行人再标识方法。该方法融合了颜色、纹理、空间信息，取得了较好的再标识效果，但是论文的融合策略过于简单，权重的确定也是通过观察自定设定，没有推广性，性难以应用到其他数据库和现实场景中。
另一部分研究人员则关注相似度的度量准则。对于部分文献，相似度衡量函数多为基于直方图的简单巴氏距离[1]、K近邻距离[5]、L1范数[6]等。应用这些方法难以达到良好的效果，Bryan Prosser等人[7]提出了一种基于SVM（支持向量机）排序的行人再标识方法。在文章中，行人再标识问题不再被看成纯粹的相似度计量问题，而是看成一个相对关系排序问题。具体做法是将相匹配的人的特征绝对差向量作为正样本，不相匹配的人呢的特征的绝对差向量作为负样本送入RankSVM[8]分类器做训练。由于计算复杂度高代价大，本文提出一种Boosting级联的PRSVM的方法进行排序。受到启发Wei-Shi Zheng等人[9]又提出了一种基于概率相对距离的行人再标识方法。该方法实质是一个马氏距离模型，与欧式距离不同，马氏距离表示的是数据的协方差距离，考虑了特征向量中各个部分之间的关系，组成成分间的权重和相关系数，因而该方法相对更加准确。
参考文献：
[1]Gray,D.,Tao,H.Viewpoint invariant pedestrian recognition with an ensemble of localized features.Computer Vision-ECCV 2008.2008:262-275.
[2]Park,U.,Jain,A.K.,Kitahara,I.,et al.ViSE:Visual Search Engine Using Multiple Networked Cameras.in:Pattern Recognition,2006.ICPR 2006.18th.
[3]Farenzena,M.,Bazzani,L.,Perina,A.,et al.Person re-identification by symmetry- driven accumulation of local features.in:Computer Vision and Pattern Recognition (CVPR),2010IEEE Conference on:2010.2360-2367.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
