行人重识别Reid(一):Person_reID_baseline_pytorch
文章目录
前言
最近项目上有人员轨迹识别的需求，传统使用手机基站定位法数据获取难度大，后来确定还是用图像识别的方法来做，据了解可以借助REID技术来实现。
一、reid 定义
1、什么是reid
简单理解就是，我们需要根据某行人A的图像，在图像候选集中找到该行人A的其他图像。reid 技术在实际场景中有着很重要的作用。
使用 reid 技术，我们便可以在一个监控系统中，构建行人的运动轨迹，并应用到各种下游任务。比如在小区监控系统中，我们在某个时刻锁定犯人A，根据 reid 技术，我们就可以在整个监控系统的中，自动的找出犯人A在整个小区监控中出现的图片，并确定他的运动轨迹，最终辅助警察抓捕。再比如在智慧商业场景中，我们可以根据 reid 技术描绘出每个消费者的商场运动轨迹和区域驻留时间，从而优化客流、辅助商品推荐等。。
reid 算法可以分解为以下3步：
- 特征提取：给定一个查询图片（query image）和大量的数据库图片（gallery
images），提取出它们的语义特征。在这个特征空间，同一个人的图片距离尽可能小，不同人图片距离尽可能大。目前主流的 reid算法使用深度卷机神经网络（CNN，如 ResNet50）提取特征。 - 距离计算：得到查询特征（query feature）和数据库特征（gallery
features）后，计算查询图片和数据库图片的距离。通常使用欧式（euclidean）、余弦（cosine）距离等。 - 排序返回：得到距离后，我们可以使用排序算法对样本进行排序，通过卡距离阈值或者K近邻的方法，返回最终样本。一般使用快速排序算法，其复杂度是
O(NlogN)，N 为数据库图片数量。
2、reid_baseline
reid_baseline（Person_reID_baseline_pytorch）：reid_baseline 是一个基于pytorch实现的，小巧、友好并且强大的 reid baseline。它的性能媲美当前最好的公开方法（强大），支持fp16精度用2GB显存进行训练（小巧），并且提供了一个8分钟快速教程入门reid（新手友好）。该 baseline 由 Zhezhong Zheng 博士于2017年发布，至今 github star 数量已经超过 2k。
二、准备工作
1、环境
依赖pytorch环境，之前已配置好，在这复用即可，配置方法参考文章：图像识别（二）：anaconda 配置pytorch环境，运行yolov5
2、code
项目地址：https://github.com/layumi/Person_reID_baseline_pytorch
3、数据
下载地址Market-1501
数据集简介：
Market-1501数据集在清华大学校园中采集，夏天拍摄，在2015年构建并公开。它包括由6个摄像头（其中5个高清摄像头和1个低清摄像头）拍摄的1501个行人的32217张图片。图片分辨率统一为128X64。每个行人至少由2个摄像头捕获到，并且在一个摄像头中可能具有多张图像。
训练集bounding_box_train有751人，包含12,936张图像，平均每个人有17.2张训练数据；
测试集bounding_box_test有750人，包含19,732张图像，平均每个人有26.3张测试数据;
查询集query有3368张查询图像。
该数据集提供的固定数量的训练集和测试集均可以在single-shot或multi-shot测试设置下使用。
参考文章行人重识别Market1501数据集介绍
三、训练
1、生成训练数据
MARK数据集下载解压后，文件分布如下：
准备训练数据需要通过prepare.py，将第五行的地址改为自己本地的地址
然后运行prepare.py文件，会生成一个pytorch文件夹
进入pytorch文件夹，文件分布如下：
现在我们已经成功准备好了图像来做后面的训练了。
2、开始训练
我们可以输入如下命令开始训练：
python train.py --gpu_ids 0 --name ft_ResNet50 --train_all --batchsize 32 --data_dir your_data_path
修改后
python train.py --gpu_ids 0 --name ft_ResNet50 --train_all --batchsize 32 --data_dir ./Market/pytorch/
默认训练60代，可修改train.py文件中默认参数
四、测试
1、特征提取
这一部分, 我们载入我们刚刚训练的模型 来抽取每张图片的视觉特征
python test.py --gpu_ids 0 --name ft_ResNet50 --test_dir your_data_path --batchsize 32 --which_epoch 59
修改后
python test.py --gpu_ids 0 --name ft_ResNet50 --test_dir ./Market/pytorch/ --batchsize 32 --which_epoch 59
–gpu_ids which gpu to run.
–name the dir name of the trained model.
–batchsize batch size.
–which_epoch select the i-th model.
–data_dir the path of the testing data.
2、评测
现在我们有了每张图片的特征。 我们需要做的事情只有用特征去匹配图像。
python evaluate_gpu.py
mAP:0.7
五、简单的可视化
可视化结果，
python demo.py --query_index 600
–query_index which query you want to test. You may select a number in the range of 0 ~ 3367.
上图显示最相似的10张图片，可应用的场景很多。在实际人员轨迹应用中，可通过输出的摄像头编号，以及拍摄时间描述目标人员的行为轨迹。
六、总结
按照教程体验了一下reid_baseline，这个步骤比较简单，特记录一下，正在学习其他reid，希望后续能有所突破。