Сравнительное исследование методов повторной идентификации личности на основе моделей глубокого обучения
Ключевые слова:
метрики CMC/CDF, сверточные нейронные сети (CNN), глубокое обучение, повторная идентификация личности, VGG16, системы видеонаблюденияАннотация
Повторная идентификация личности (Re-ID) имеет ключевую роль в системах интеллектуального видеонаблюдения, требуя точного распознавания людей с нескольких точек обзора камеры. Традиционные методы, основанные на метриках расстояния (евклидово и косинусное), сталкиваются с трудностями при обработке вариаций поз и случаев окклюзии, что ограничивает их эффективность. В данном исследовании рассматриваются модели глубокого метрического обучения, в частности сиамские и триплетные сети, для повышения точности повторной идентификации. Мы оцениваем эти методы на наборе данных Market-1501 с использованием кривых кумулятивной характеристики соответствия (CMC) и кумулятивной функции распределения (CDF). Результаты показывают, что триплетная сеть превосходит традиционные подходы на более высоких рангах, достигая точности 78,6% на Rank-5 и точности 93% на Rank-10, при этом демонстрируя низкую точность на Rank-1 (0,06%). Для сравнения, методы на основе евклидова и косинусного расстояний показывают низкую производительность на Rank-1 (2% и 0,30% соответственно), что подчеркивает их ограничения. Кроме того, включение архитектуры VGG16 улучшает извлечение признаков, повышая эффективность распознавания за счет улавливания мельчайших пространственных деталей. Данное сравнительное исследование показывает эффективность методов глубокого метрического обучения и подчеркивает его потенциал для практического применения в системах видеонаблюдения. Однако вычислительные требования глубоких сетей создают сложности для работы в реальном времени. Будущие исследования должны быть сосредоточены на оптимизации эффективности модели, снижении вычислительных затрат и тестировании в реальном времени.
Литература
1. Ezzahoutz A., Youssef H.M., Thami R.O.H. Detection evaluation and testing region incoming people’s in a simple camera view. Second International Conference on the Innovative Computing Technology (INTECH 2012). Casablanca: IEEE, 2012. pp. 179–183. DOI: 10.1109/INTECH.2012.6457804.
2. Ezzahout A., Hadi Y., Thami R.O.H. Performance Evaluation of Mobile Person Detection and Area Entry Tests through a One-View Camera. Journal of Information. 2012. vol. 2. no. 3.
3. Sun Z., et al. A comprehensive review of pedestrian re-identification based on deep learning. Complex Intell. Syst. 2024. vol. 10. no. 2. pp. 1733–1768. DOI: 10.1007/s40747-023-01229-7.
4. Zahra A., Perwaiz N., Shahzad M., Fraz M.M. Person re-identification: A retrospective on domain specific open challenges and future trends. Pattern Recognition. 2023. vol. 142. p. 109669. DOI: 10.1016/j.patcog.2023.109669.
5. De Maesschalck R., Jouan-Rimbaud D., Massart D.L. The Mahalanobis distance. Chemometrics and Intelligent Laboratory Systems. 2000. vol. 50. no. 1. pp. 1–18. DOI: 10.1016/S0169-7439(99)00047-7.
6. Ghorbani H. Mahalanobis distance and its application for detecting multivariate outliers. Facta Universitatis, Series: Mathematics and Informatics. 2019. pp. 583–595. DOI: 10.22190/FUMI1903583G.
7. Mclachlan G. Mahalanobis Distance. Resonance. 1999. vol. 4. pp. 20–26. DOI: 10.1007/BF02834632.
8. Tena S., Hartanto R., Ardiyanto I. Content-based image retrieval for fabric images: A survey. Indones. J. Electr. Eng. Comput. Sci. 2021. vol. 23. no. 3. DOI: 10.11591/ijeecs.v23.i3.pp1861-1872.
9. Samit Hatem A., Altememe M.S., Fadhel M.A. Identifying corn leaves diseases by extensive use of transfer learning: a comparative study. Indones. J. Electr. Eng. Comput. Sci. 2023. vol. 29. no. 2. DOI: 10.11591/ijeecs.v29.i2.pp1030-1038.
10. Gottipati S.B., Thumbur G. Multi-modal fusion deep transfer learning for accurate brain tumor classification using magnetic resonance imaging images. Indones. J. Electr. Eng. Comput. Sci. 2024. vol. 34. no. 2. DOI: 10.11591/ijeecs.v34.i2.pp825-834.
11. Sehree N.A., Khidhir A.M. Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery. Indones. J. Electr. Eng. Comput. Sci. 2022. vol. 27. no. 1. pp. 92–101. DOI: 10.11591/ijeecs.v27.i1.pp92-101.
12. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv preprint arXiv:1409.1556. 2015. DOI: 10.48550/arXiv.1409.1556.
13. Aufar Y., Sitanggang I.S. Face recognition based on Siamese convolutional neural network using Kivy framework. IJEECS. 2022. vol. 26. no. 2. pp. 764–772. DOI: 10.11591/ijeecs.v26.i2.
14. Xu J. A deep learning approach to building an intelligent video surveillance system. Multimedia Tools and Applications. 2021. vol. 80(4). pp. 5495–5515. DOI: 10.1007/s11042-020-09964-6.
15. Alami M.I., Ez-Zahout A., Omary F. Enhanced people re-identification in cctv surveillance using deep learning: a framework for real-world applications. Informatics and Automation. 2025. vol. 24. no. 2. pp. 583–603. DOI: 10.15622/ia.24.2.8.
16. Moghaddam A.S., Anvari F., Haghighi M.M., Fakhari M., Mohammadi M.R. IUST_PersonReId: A New Domain in Person Re-Identification Datasets. arXiv preprint arXiv:2412.18874. 2024. DOI: 10.48550/arXiv.2412.18874.
17. Wang G.A, Gong S., Cheng J., Hou Z. Faster Person Re-identification. European conference on computer vision (ECCV 2020). Cham: Springer International Publishing, 2020. vol. 12353. pp. 275–292. DOI: 10.1007/978-3-030-58598-3_17.
18. Rami H., Ospici M., Lathuilière S. Online Unsupervised Domain Adaptation for Person Re-identification. arXiv preprint arXiv:2205.04383. 2022. DOI: 10.48550/arXiv.2205.04383.
19. Khan S.U., Khan N., Hussain T., Baik S.W. An intelligent correlation learning system for person Re-identification. Engineering Applications of Artificial Intelligence. 2024. vol. 128. DOI: 10.1016/j.engappai.2023.107213.
20. Khan S.U., Hussain T., Ullah A., Baik S.W. Deep-ReID: deep features and autoencoder assisted image patching strategy for person re-identification in smart cities surveillance. Multimed Tools Appl. 2024. vol. 83. no. 5. pp. 15079–15100. DOI: 10.1007/s11042-020-10145-8.
21. He S., Luo H., Wang P., Wang F., Li H., Jiang W. TransReID: Transformer-Based Object Re-Identification (CVPR). Proceedings of the IEEE/CVF international conference on computer vision. 2023. pp. 15013–15022.
22. Ye M., Chen S., Li C., Zheng W.-S., Crandall D., Du B. Transformer for Object Re-Identification: A Survey. arXiv preprint arXiv:2401.06960. 2024. DOI: 10.48550/arXiv.2401.06960.
23. Choudhary A., Mishra D., Karmakar A. Domain Adaptive Egocentric Person Re-identification. Computer Vision and Image Processing: 5th International Conference (CVIP 2020). 2021. vol. 1378. pp. 81–92. DOI: 10.1007/978-981-16-1103-2_8.
24. Taye M.M. Understanding of Machine Learning with Deep Learning: Architectures, Workflow, Applications and Future Directions. Computers. 2023. vol. 12. no. 5. DOI: 10.3390/computers12050091.
25. Chopra S., Hadsell R., LeCun Y. Learning a Similarity Metric Discriminatively, with Application to Face Verification. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05). San Diego, CA, USA: IEEE, 2005. vol. 1. pp. 539–546. DOI: 10.1109/CVPR.2005.202.
26. Schroff F., Kalenichenko D., Philbin J. FaceNet: A unified embedding for face recognition and clustering. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, MA, USA: IEEE, 2015. pp. 815–823. DOI: 10.1109/CVPR.2015.7298682.
27. Karanam S., Gou M., Wu Z., Rates-Borras A., Camps O., Radke R.J. A Systematic Evaluation and Benchmark for Person Re-Identification: Features, Metrics, and Datasets. arXiv preprint arXiv:1605.09653. 2018.
28. Xu P., Zhu X. DeepChange: A Long-Term Person Re-Identification Benchmark with Clothes Change. IEEE/CVF International Conference on Computer Vision (ICCV). Paris, France: IEEE, 2023. pp. 11162–11171. DOI: 10.1109/ICCV51070.2023.01028.
29. Ye M., Shen J., Lin G., Xiang T., Shao L., Hoi S.C. Deep Learning for Person Re-identification: A Survey and Outlook. arXiv preprint arXiv:2001.04193. 2021. DOI: 10.48550/arXiv.2001.04193.
30. Ning E., Wang C., Zhang H., Ning X., Tiwari P. Occluded person re-identification with deep learning: A survey and perspectives. Expert Systems with Applications. 2024. vol. 239. DOI: 10.1016/j.eswa.2023.122419.
2. Ezzahout A., Hadi Y., Thami R.O.H. Performance Evaluation of Mobile Person Detection and Area Entry Tests through a One-View Camera. Journal of Information. 2012. vol. 2. no. 3.
3. Sun Z., et al. A comprehensive review of pedestrian re-identification based on deep learning. Complex Intell. Syst. 2024. vol. 10. no. 2. pp. 1733–1768. DOI: 10.1007/s40747-023-01229-7.
4. Zahra A., Perwaiz N., Shahzad M., Fraz M.M. Person re-identification: A retrospective on domain specific open challenges and future trends. Pattern Recognition. 2023. vol. 142. p. 109669. DOI: 10.1016/j.patcog.2023.109669.
5. De Maesschalck R., Jouan-Rimbaud D., Massart D.L. The Mahalanobis distance. Chemometrics and Intelligent Laboratory Systems. 2000. vol. 50. no. 1. pp. 1–18. DOI: 10.1016/S0169-7439(99)00047-7.
6. Ghorbani H. Mahalanobis distance and its application for detecting multivariate outliers. Facta Universitatis, Series: Mathematics and Informatics. 2019. pp. 583–595. DOI: 10.22190/FUMI1903583G.
7. Mclachlan G. Mahalanobis Distance. Resonance. 1999. vol. 4. pp. 20–26. DOI: 10.1007/BF02834632.
8. Tena S., Hartanto R., Ardiyanto I. Content-based image retrieval for fabric images: A survey. Indones. J. Electr. Eng. Comput. Sci. 2021. vol. 23. no. 3. DOI: 10.11591/ijeecs.v23.i3.pp1861-1872.
9. Samit Hatem A., Altememe M.S., Fadhel M.A. Identifying corn leaves diseases by extensive use of transfer learning: a comparative study. Indones. J. Electr. Eng. Comput. Sci. 2023. vol. 29. no. 2. DOI: 10.11591/ijeecs.v29.i2.pp1030-1038.
10. Gottipati S.B., Thumbur G. Multi-modal fusion deep transfer learning for accurate brain tumor classification using magnetic resonance imaging images. Indones. J. Electr. Eng. Comput. Sci. 2024. vol. 34. no. 2. DOI: 10.11591/ijeecs.v34.i2.pp825-834.
11. Sehree N.A., Khidhir A.M. Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery. Indones. J. Electr. Eng. Comput. Sci. 2022. vol. 27. no. 1. pp. 92–101. DOI: 10.11591/ijeecs.v27.i1.pp92-101.
12. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv preprint arXiv:1409.1556. 2015. DOI: 10.48550/arXiv.1409.1556.
13. Aufar Y., Sitanggang I.S. Face recognition based on Siamese convolutional neural network using Kivy framework. IJEECS. 2022. vol. 26. no. 2. pp. 764–772. DOI: 10.11591/ijeecs.v26.i2.
14. Xu J. A deep learning approach to building an intelligent video surveillance system. Multimedia Tools and Applications. 2021. vol. 80(4). pp. 5495–5515. DOI: 10.1007/s11042-020-09964-6.
15. Alami M.I., Ez-Zahout A., Omary F. Enhanced people re-identification in cctv surveillance using deep learning: a framework for real-world applications. Informatics and Automation. 2025. vol. 24. no. 2. pp. 583–603. DOI: 10.15622/ia.24.2.8.
16. Moghaddam A.S., Anvari F., Haghighi M.M., Fakhari M., Mohammadi M.R. IUST_PersonReId: A New Domain in Person Re-Identification Datasets. arXiv preprint arXiv:2412.18874. 2024. DOI: 10.48550/arXiv.2412.18874.
17. Wang G.A, Gong S., Cheng J., Hou Z. Faster Person Re-identification. European conference on computer vision (ECCV 2020). Cham: Springer International Publishing, 2020. vol. 12353. pp. 275–292. DOI: 10.1007/978-3-030-58598-3_17.
18. Rami H., Ospici M., Lathuilière S. Online Unsupervised Domain Adaptation for Person Re-identification. arXiv preprint arXiv:2205.04383. 2022. DOI: 10.48550/arXiv.2205.04383.
19. Khan S.U., Khan N., Hussain T., Baik S.W. An intelligent correlation learning system for person Re-identification. Engineering Applications of Artificial Intelligence. 2024. vol. 128. DOI: 10.1016/j.engappai.2023.107213.
20. Khan S.U., Hussain T., Ullah A., Baik S.W. Deep-ReID: deep features and autoencoder assisted image patching strategy for person re-identification in smart cities surveillance. Multimed Tools Appl. 2024. vol. 83. no. 5. pp. 15079–15100. DOI: 10.1007/s11042-020-10145-8.
21. He S., Luo H., Wang P., Wang F., Li H., Jiang W. TransReID: Transformer-Based Object Re-Identification (CVPR). Proceedings of the IEEE/CVF international conference on computer vision. 2023. pp. 15013–15022.
22. Ye M., Chen S., Li C., Zheng W.-S., Crandall D., Du B. Transformer for Object Re-Identification: A Survey. arXiv preprint arXiv:2401.06960. 2024. DOI: 10.48550/arXiv.2401.06960.
23. Choudhary A., Mishra D., Karmakar A. Domain Adaptive Egocentric Person Re-identification. Computer Vision and Image Processing: 5th International Conference (CVIP 2020). 2021. vol. 1378. pp. 81–92. DOI: 10.1007/978-981-16-1103-2_8.
24. Taye M.M. Understanding of Machine Learning with Deep Learning: Architectures, Workflow, Applications and Future Directions. Computers. 2023. vol. 12. no. 5. DOI: 10.3390/computers12050091.
25. Chopra S., Hadsell R., LeCun Y. Learning a Similarity Metric Discriminatively, with Application to Face Verification. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05). San Diego, CA, USA: IEEE, 2005. vol. 1. pp. 539–546. DOI: 10.1109/CVPR.2005.202.
26. Schroff F., Kalenichenko D., Philbin J. FaceNet: A unified embedding for face recognition and clustering. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, MA, USA: IEEE, 2015. pp. 815–823. DOI: 10.1109/CVPR.2015.7298682.
27. Karanam S., Gou M., Wu Z., Rates-Borras A., Camps O., Radke R.J. A Systematic Evaluation and Benchmark for Person Re-Identification: Features, Metrics, and Datasets. arXiv preprint arXiv:1605.09653. 2018.
28. Xu P., Zhu X. DeepChange: A Long-Term Person Re-Identification Benchmark with Clothes Change. IEEE/CVF International Conference on Computer Vision (ICCV). Paris, France: IEEE, 2023. pp. 11162–11171. DOI: 10.1109/ICCV51070.2023.01028.
29. Ye M., Shen J., Lin G., Xiang T., Shao L., Hoi S.C. Deep Learning for Person Re-identification: A Survey and Outlook. arXiv preprint arXiv:2001.04193. 2021. DOI: 10.48550/arXiv.2001.04193.
30. Ning E., Wang C., Zhang H., Ning X., Tiwari P. Occluded person re-identification with deep learning: A survey and perspectives. Expert Systems with Applications. 2024. vol. 239. DOI: 10.1016/j.eswa.2023.122419.
Опубликован
2025-06-25
Как цитировать
Идрисси Алами, М., Эз-захут, А., & Омари, Ф. (2025). Сравнительное исследование методов повторной идентификации личности на основе моделей глубокого обучения. Информатика и автоматизация, 24(3), 982-1001. https://doi.org/10.15622/ia.24.3.9
Раздел
Математическое моделирование и прикладная математика
Copyright (c) MOSSAAB IDRISSI ALAMI, Unknown, Unknown
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).