earticle

영어

In computer vision, person re-identification is a challenging task in the context of making intelligent surveillance system. State-of-the-art techniques in person re-identification systems still rely on traditional features extraction such as HOG, SIFT, SURF, and LBP etc. In this study we present convolution neural network (CNN) features to represent persons in surveillance streams. Firstly, we trained a CNN model using person re-id dataset. Secondly, we divide pedestrian images into upper and lower body parts, keeping in view the format of clothing used to cover upper and lower parts. Further, we have extracted CNN features for both parts using the trained model. Similarity score is computed as Euclidean distance between query image and other images in the dataset. We succeeded to achieve higher precision scores on various recall levels, as well as higher Cumulative Match Characteristic (CMC) performance scores compared to other state-of-the-art techniques on ETHZ, CUHK, and Market datasets.

한국어

컴퓨터 비전에서 사람을 재 식별하는 것은 지능형 감시 시스템 만드는데 있어 어려운 작업 중 하나이다. 사람 재 식별 시스템의 최신 기술은 여전히 HOG, SIFT, SURF, LBP 와 같은 전통적인 피처추출에 의존하고 있다. 본 연구에서는 감시영상에서 사람 식별을 위한 CNN(Convolution Neural Network)을 활용방안에 대해 제시한다. 우선CNN모델을 이용하여 re-id 데이터 셋을 학습한다. 그 다음 보행자 이미지를 상반신 하반신 두 부분으로 나누어 윗옷과 바지를 감시한다. 그리고 CNN으로 학습한 모델을 사용하여 두 부분의 특징을 추출한다. 유사도는 선택된 이미지와 데이터 셋 안의 이미지들과의 유클리드 거리를 활용하여 계산한다. ETHZ, CUHK, Market 데이터 셋을사용한 최신기술과 비교하였을 때 리콜값과 CMC(Cumulative Match Characteristic) 값에서 더 높은 성능으로나온 것을 확인 할 수 있다.