人脸识别技术是搭建平安城市的重要一环。通过人脸识别技术以及深度学习算法，城市监控可以将视频监控数据结构化存储，并分析挖掘关键信息，实现事前预防。然而在实际应用的场景中，摄像头并非在任何情况下都可以拍摄到清晰人脸。因口罩、帽子等遮挡，民警和识别系统都无法用人脸特征判定身份。
不仅如此，在实际场景中，一个摄像头往往无法覆盖所有区域，而多个摄像头之间一般也没有重叠。因此，用全身信息来对人员进行锁定和查找就变得十分必要——即通过将整体行人特征作为人脸之外的重要补充，实现对行人的跨摄像头跟踪。当下，计算机视觉领域开始逐渐展开针对“行人重识别”技术的研究工作。
行人重识别(PersonRe-Identification，简称ReID)，从字面意思理解就是对行人进行重新识别，是对不同的、没有视野重叠覆盖的(non-overlapping)摄像机拍摄的行人图像建立对应关系的处理过程。当摄像头拍摄范围之间不存在重叠时，由于没有了连续信息，检索难度也随之增大非常多。因此，行人重识别强调的是在跨摄像机的视频中对特定行人进行检索。
编辑
切换为居中
添加图片注释，不超过字（可选）
“行人重识别”与“行人检测”的区别
如果说行人检测是要机器判定图像中是否存在行人，那么行人重识别就是要机器识别出不同摄像机拍摄的特定人员的所有图像。具体说，就是给定某人的一张图片(queryimage)，从多张图片(galleryimages)中找到属于他/她的那一张或多张，是通过行人整体特征实现的人员比对技术。
主要应用领域的区别：“行人重识别”主要应用于刑侦工作、图像检索等方面。“行人检测”主要用于智能驾驶、辅助驾驶和智能监控等相关领域。
数据堂自制版权的系列数据集产品为“Re-ID”这一技术路径的实现提供了强有力的支持。
10,人监控场景下Re-ID数据
该数据包括室内场景和室外场景。数据涵盖男性女性，年龄分布为儿童至老人。数据多样性包括不同年龄段、不同时间段、不同拍摄角度、不同人体朝向和姿态、不同季节服饰。在标注方面，标注人体矩形框和15种人体属性信息。10,人监控场景下Re-ID数据可用于Re-ID等任务。
行人重识别领域研究现状
行人重识别问题中的图片来源于不同的摄像头，然而，由于不同摄像头所处的角度、光照等环境的影响，行人重识别问题具有以下几个特点：
由于实际监控环境中，无法使用脸部的有效信息，所以，只能利用行人的外貌特征来进行识别。在不同摄像头中，由于尺度、光照和角度的变化，同一个行人的不同图片中，外貌特征会有一定程度的变化。由于行人姿势及摄像头角度的变化，在不同摄像头中，不同行人的外貌特征可能比同一个人的外貌特征更相似。
编辑
切换为居中
添加图片注释，不超过字（可选）
针对以上几个特点，计算机视觉领域的研究人员在最近几年里进行了大量的研究工作。
目前，行人重识别领域的研究工作主要分为大致两类：研究行人对象的特征表示方法，提取更具有鲁棒性的鉴别特征对行人进行表示。使用距离度量学习方法，通过学习一个有判别力的距离度量函数，使得同一个人的图像间距离小于不同行人图像间的距离。
目前，行人重识别技术在实战场景中还有更多的挑战要应对。希望行人重识别技术技术能进一步成熟，为各行各业发展打开新市场。