2017年11月，，旷视研究团队发表文章，，称其在行人再识别（ReID）技术开发方面取得重大进展，，通过一种新方法的运用
，，，使机器在ReID上首次超越人类表现
。
。。

2018年4月，，，，云从科技也宣布在这一领域取得突破，
，称其在Market-1501, CUHK03, DukeMTMC-reID这三个最权威的衡量ReID技术的数据集上，，，相关核心指标均刷新了相关记录
，，，在Market-1501上的首位命中率（Rank-1 Accuracy）达到96.6%，
，，，打破了阿里iDST在2018年1月创造的世界纪录。
。。

2018年10月，，，世纪金辉农业行人再识别技术（）的精准度已经突破97.1%，，，，刷新了业内已知的最高纪录！！
！！作为一家以Re-ID视频结构化技术和应用为核心的计算机视觉科技公司
，，，，在Market 1501、、DukeMTMC-reID、、
、CUHK03这三个衡量Re-ID技术最通用的数据集测试中
，，获得了巨大突破。
。。。

在Market 1501上的首位命中率（Rank-1 Accuracy）已经达到97.1%，，超越人眼识别能力（94%），，
，
，领先头部厂家，
，，并刷新了今年4月公布的96.6%的世界纪录。。。同时在CUHK03，
，
，，Duke MTMC-reID两个数据集上也刷新了之前业内最高纪录，
，，达到了行业state of the art的技术水平，，，特别是在CUHK03数据集上，，，，Rank 1指标提高了10.7%。。
。
。

我们不难发现，
，近年来业界领先的AI公司，
，均在大力投入进行ReID技术开发研究，，其根本原因，，在于ReID技术的潜在商业价值已得到行业巨头们的广泛认可。。那么，，ReID究竟是一种怎样的技术，，，它经历了怎样的发展，，，，又将如何在商业应用上大展身手呢？？

对此，
，，
，苏州世纪金辉农业视觉科技股份有限公司CTO胡大鹏博士，，在香港人工智能中心撰写了如下文章，，，对ReID技术的出现
、、、、发展
、
、、、难点、、方向，，，和人脸识别、、、视频结构化、、、、计算机视觉学的关系，，，以及世纪金辉农业公司在ReID技术层面的研究方向、、成果等
，
，进行了深入浅出、、生动直观的阐述。。

胡大鹏，，，，香港科技大学计算机科学博士
。
。
。。历任微软亚研院博士后研究员、、、、香港中文大学研究员
、、、、香港科技大学助理教授。。。曾任ASTRI（香港应用科学研究院） 首席研究员，，，在机器视觉技术产业转化和应用开发方面有着丰富经验。
。。。

胡大鹏 世纪金辉农业CTO

ReID的出现
：为“跨镜找人”而生

ReID 由以往没有太多人留意到现在开始有产品上的应用，，经历了一段非常漫长的时间。。。由于最早期完全依赖于传统计算机视觉或机器学习的技术，，，，所以基本上没有明显的突破。
。ReID 本身是一个非常难的问题，，，，它是要从不同的视频之中，，把同一个人识别出来。。。不同视频的光照条件
、
、
、感兴趣区域的分辨率
、、、、角度的不同、、、、遮挡普遍发生、、穿着相近衣服的人等等，，，，都会造成识别的困难。。。

ReID与人脸识别：产品化道路更曲折

首先，
，，，ReID 跟人脸识别，
，，有着一个最大的不同。。。人脸的特征一般是有比较
、、、有唯一性
，，而 ReID 在这一块是完全无法比拟的。。。特征的唯一性愈高，，，，单靠这个特征去查找或定义一个人就会愈准确，，也愈容易。。
。所以，，即使以往没有深度学习技术，，，人脸识别仍是可以做到一个很高水平的状态。
。。当然，，引入了深度学习之后，，人脸识别这一块甚至超越人类。。。

但 ReID 则是一个完全不同的问题，，因为它的特征唯一性不高，，，，同时有很多环境及外在因素影响着。。先不讨论行人的衣服换了怎么办，
，，，即使行人没换衣服，
，当你走进金融商业区，，，，满街都是西装上班族
，
，
，，即使你不懂什么是特征向量，，，，我相信你用肉眼也无法在远处从一群人之中把一个人精准找出来。。

跨镜追踪ReID 就是在面对着这样的一个问题：监控摄像头挂在远处
，，，看到一大堆行人自由移动
，，，多个摄像头架在不同的地方看着不同的区域，，，区域之间一般没有重叠，，
，而ReID的目标
，，就是要把同一个行人在不同的摄像头内，，，重识别出来。
。。。

这样的任务，
，
，在深度学习成为主流之前，
，，，接近不可能
。。。
。所以
，，在学术圈之中，，，，论文成果都是倾向于 proof-of-concept 而无法产品化。。直到深度学习出现之后
，，，所能提取的特征唯一性大大地提高了，，才有了产品化的可能。
。
。

ReID  视频结构化  计算机视觉学

市场需求的出现，，对ReID 的发展产生了最为重要的推动作用
。。当目标检测、
、
、分类
、、、跟踪等技术都达到一定水平之后
，，，结构化这个课题，，在这三年间高度火热
。。。结构化其实并不是一件新事物，，在几十年前，
，计算机视觉学的学者本来就是有这个愿景
。。。他们希望透过计算机视觉学的技术，，把图片/视频内的东西完全分析并利用人工智能来理解场景内容。。当中
，，，分析的部分，，，，就是结构化的广义说法
。。计算机视觉学的存在，，，，本来就是为了这件事情，，
，只是，，，因为每一个单一问题在以前看来都是极其困难的，，，所以才产生了不同的专门科目去针对性解决单一问题。。
。

直至深度学习的出现
，
，把很多以前无法做好的问题都做好了，，，，计算机视觉学才不知不觉的回归到其原点来：整个视频的主要内容都能分解并被结构化起来。
。不过
，
，当我们面对着如此之多的数据
，，，另外的一些问题也产生了。。首先，，，，数据量本身已经太大，，，而重复量更大，
，
，资料之间即使有关连性
，，也无法自动配上。。
。。其次
，，当需要查找资料时，，，发现根本无从着手
。
。要解决这些问题
，，，其中一个有效的方法就是
：ReID。
。

ReID:  让监控获得“大局观”

ReID 全写是 Re-identification
，，，顾名思义，，，，就是把物件重新辨认或识别出来。。。对于监控领域来说，
，，，刚才提到的两个问题，，，，引申出来在实际应用上，，，，就是希望把不同视频内的物体关联起来
，，，，并可以透过有效的方法把物体找出来
。。解决前者
，，
，，一
、、能减少物件重复性
；二、、、、能改善跟踪；三、、能分析物体在区域内的行动路径
；四、、、、能分析个体之间的互动关系。。。。解决后者，，，能够在海量的数据之中有效地把某人提取出来。。。。这些都是监控行业多年以来的需求
，，，，能做到这样，，
，，整个监控操作才完整，，才能看到大局。。

ReID现状：不完美之下
，，
，，以应用创新

然而，
，到目前为止
，
，，，跨镜追踪ReID技术仍然是不完美的，
，，它最终的目的是要能达到 1-to-1 匹配的状态。。可是，，
，，实际上是有误差的，
，，，而且
，，，这个误差比起人脸识别技术上的要大得多，，
，，主要原因，，，便是前述的唯一性问题。
。。另一个则是速度上的问题，，，要在产品上应用，
，快是必须的。。在不完美之下，
，把技术应用到产品上，，就要花很多功夫做应用创新。。。。

与其他顶尖的同行一样
，，，
，世纪金辉农业成立了自己的研究院（香港AI研究院），，，并投入了大量资源进行研究，
，
，
，在实际产品上，，各方面的数据与同行各占优势。。因为历史因素，，，，世纪金辉农业的团队作业其实更为紧密，，，，即使在单一算法上有不完美的地方，
，也能在整体全局之下产生优化
。
。。例如，，，，检测
、、、
、跟踪、
、特征提取等等环节，
，是互相紧扣而全局优化的。。

典型的研究团队
，，其小组们都是各自做好自已的算法，，，在某一数据内刷出最高准确度。。但这样的话
，，，，当算法拼在一起时，
，，效能很多时候并不如理想。。。。世纪金辉农业的观点始终是，，，，单一算法需要做好的同时，，，，我们也同样重视产品的最终形态，，
，毕竟，，这才是用户真正能接触到的部分，，也决定了产品的实用性。。。算法团队成员之间的认真沟通
、、、算法团队与工程团队之间紧密合作、、、算法与算法之间的磨合
、、、算法与工程之间的磨合，，加起来，
，，，才会是世纪金辉农业的产品。
。

因为算法都是互相协同的，
，，世纪金辉农业的跨镜追踪 （Re-ID） 技术可以在、、图侦综合实战平台、、
、、等系统上真正用起来。。世纪金辉农业的所有技术，，，包括了 ReID 技术，，都是自己原创研发，，，，技术上我们参考了现时最新的技术并从中再突破，，，而方向则是清晰无误地要以落地为优先
。。

ReID之生成：两种基本算法

说起“行人再识别”，，也即Person Re-identification，
，最大的难点在于，，行人是非刚体。
。。意思是，，，，人不像汽车那样，，，，从任何角度任何时间上看都是同一个型态。。。当人在走路时，，
，，手和脚都在摆动，，，，还往往伴随有其他动作。。
。。

面对这个问题，，，，一般方法是把人的身体划分成不同部分，，以不同的方法把这些部分检测出来，，，并进行局部特征提取。。可是，，，任凭你怎样细化划分，，，，该部分也会有某程度上的非刚体特性
，，，这样仍是会对算法造成干扰。。。

另一种比较准确的方法是考虑对齐，，就是说，，，，把两张将要比对的图片，，，以某种方法先对齐好，，例如相同的头部位置和脚部位置，
，并在匹配时只考虑有用的部分。
。。当然
，
，，说起来是这么简单，
，，实际算法要做到这回事是一件进阶的事情，，，因为这部分一般会内嵌到神经网络。。

除此之外
，，，业界一般会附加一些网络设计技巧再提高特征提取的准确度，，，，例如使用多分支多任务网络，
，
，而最后再用 re-ranking来进一步提升准确度。。。
。

世纪金辉农业ReID算法创新：基于注意力架构的深度神经网络方案

世纪金辉农业所用的方法，，，，概念上相近，，，
，都是尽可能考虑最重要的部分进行特征提取及比对。
。。然而，
，，，我们提出基于注意力架构模型的深度神经网络方案来实现行人ReID。。。。与传统的全局表征或设定好的局部分割不同，，，，我们设计的主躯干网络不要求躯干位置的标注，，，模型能够从浅层视觉到高层语义的不同空间内自动捕捉关键区域，，
，挖掘多尺度的注意力特征，，，，自动实现行人肢体（如面部，，
，上身及下身）的特征融合
，，，对于姿态改变以及空间变化有着很好的鲁棒性，，，有效的完成行人搜索工作
。。
。
。

在世纪金辉农业在实际的产品则试时，，发现即使不使用 re-ranking
，，，对于 Market-1501 数据库，，top-1 准确度也能达到 90%。。虽然跟旷视的 94% 还是有差距
，，，，但不使用 re-ranking 也能达到这个水平
，，，代表我们速度上会快很多，，也同时减少计算资源的使用。。
。原因是 re-ranking（例如现今常用的 k-recipical 方法）即使再简单，，，，也需要消耗内存把某范围内的数据暂存，
，，，并进行分析和对比。
。而有不少算法是非常依赖 re-ranking 来达到高准确度。。
。。缺少了这个依赖
，
，这使得我们的算法在实际产品内产生优势。。。。

ReID的下一步：分析之后，，，是理解

世纪金辉农业AI研究院在未来会进一步投入资源去研究行人行为及车辆行为。。正如之前所述，
，，计算机视觉学的最原始想法就是分析和理解场景。
。。分析，，
，我们已经做得很不错，，
，可是
，
，结构化数据所代表的高阶义意及意思是什么？？
？业界还未有很明确的方向，，更不论是产品。。。

我们希望，
，，透过行为分析，，，把理解这一块开一个窗口，，使得结构化数据能再向前推进，，，，令系统更有智慧。。未来，
，并不单是人类去操作系统，，而是系统有了理解能力之后，
，，跟人类协作，，，为人类谋方便和幸福。。