行人重識別，最重要的目標就是跨攝像頭的追蹤，也就是找到不同攝像頭下的同一個人，
由於在大多數情況下，監控攝影機的畫質都很差，或是方向問題，很多時候沒辦法使用人臉辨識，
這時由行人全身影像來進行辨識的Re-id就很重要了。

由於行人並非簡單的剛性物體，會隨著運動姿勢而改變形狀，
傳統方法使用顏色統計直方圖作為行人特徵，它所描述的是不同色彩在整幅圖像中所佔的比例，其優點是對影像的方向、大小等變化不敏感，並能夠適應小幅度的平移和旋轉。

但傳統特徵的做法還是有其侷限，因此近年來有許多使用Deep Learning的Re-id方法。

基於表徵學習(Representation learning)的Re-id

這種方法把re-id視為Classification或Verification問題處理：

1. Classification是指利用行人的ID或者屬性等作為訓練標籤來訓練分類模型。
2. Verification是指輸入一對（兩張）行人圖片，讓網絡來學習這兩張圖片是否屬於同一個行人。
   除了外觀屬性(髮型衣服顏色、樣式)，有些也會使用行人抽象屬性(性別、年紀)預測來進行更準確的模型訓練。

基於度量學習(Metric learning)的Re-id

這是使用圖像檢索image retrieval領域常用的方法，度量學習旨在通過網絡學習出兩張圖片的相似度。
構造樣本對和Loss函數，
常見的經典Loss有：Contrastive loss, Triplet loss..等等，
近年來也有各種變化的Loss，但總歸不出一個核心概念：

使得相同行人圖片（正樣本對）的距離儘可能小，不同行人圖片（負樣本對）的距離儘可能大。

基於局部特徵(Local feature)的Re-id

原本大家只關注globel的特徵，但後來也有一派鑽研起行人的局部的特徵，
常見的思路如：圖像切塊，人體骨架關鍵點定位...等等，
試圖挖掘更細節的特徵，著名方法如PCB, MGN等等都是如此思路。
方法簡單，效果也不錯。

接下來幾天會再介紹幾篇Re-id相關的論文。
若對此主題有興趣，歡迎訂閱～