Байесовская модель объединения признаковых представлений в задаче реидентификации личности
- Авторы: Русаков К.Д.1
-
Учреждения:
- ФГБУН Институт проблем управления им. В.А. Трапезникова РАН
- Выпуск: № 115 (2025)
- Страницы: 183-202
- Раздел: Информационные технологии в управлении
- URL: https://bakhtiniada.ru/1819-2440/article/view/306196
- ID: 306196
Цитировать
Полный текст
Аннотация
Рассматривается задача реидентификации человека по изображениям, полученным из систем видеонаблюдения, с использованием признаков различной природы. В отличие от традиционных подходов, опирающихся на один биометрический фактор, предложена универсальная методика объединения признаков, полученных из разных источников информации. В основе метода лежит вероятностная модель, реализующая объединение признаков в пространстве решений по правилу байесовского вывода. Каждый признак рассматривается как наблюдение, аппроксимируемое нормальным распределением с параметрами, оцениваемыми по обучающим данным. Принятие решения осуществляется путём максимизации апостериорной вероятности принадлежности объекта к одной из известных личностей. В качестве средств извлечения признаков используются модели на основе архитектур с механизмами внимания, обеспечивающие устойчивость к искажениям. Проведено сравнение с методом линейного объединения признаков. Результаты экспериментов на открытом наборе данных демонстрируют повышение точности идентификации, устойчивость к частичному отсутствию данных и возможность количественной оценки степени достоверности принимаемого решения, что актуально для применения в системах обеспечения безопасности.
Об авторах
Константин Дмитриевич Русаков
ФГБУН Институт проблем управления им. В.А. Трапезникова РАН
Email: rusakov@ipu.ru
Москва
Список литературы
- АМИРГАЛИЕВА З., САДЫКОВА А., КЕНШИМОВ К. Раз-работка модифицированного алгоритма Виолы – Джонсадля распознавания лиц // Известия НАН РК. Серия физико-математическая. – 2022. – №4. – С. 258–267.
- ИГНАТЬЕВА С.А., БОГУШ Р.П. Алгоритм реидентифи-кации людей по изображениям систем видеонаблюденияс использованием нейросетевого составного дескриптора //Системный анализ и прикладная информатика. – 2024. –№1 – C. 54–65.
- КОСУЛИН К.Э., КАРПОВ А.А. Методы аудиовизуальногораспознавания людей в масках // Научно-технический вест-ник информационных технологий, механики и оптики. –2022. – Т. 22, № 3. – С. 415–432.
- МУБИНОВА Э.С. Эволюция технологий распознавания лици их влияние на общественное воприятие безопасности //Вестник науки. – 2024. – №9(78). – C. 168–171.
- САВЧЕНКО А.В. Метод максимально правдоподобных рас-согласований в задаче распознавания изображений на ос-нове глубоких нейронных сетей // Компьютерная оптика. –2017. – №41(5). – С. 819–828.
- СОКОЛОВА А.Д., САВЧЕНКО А.В., НИКОЛЕНКО С.И.Поиск редких данных в задаче распознавания лиц на изоб-ражениях // Компьютерная оптика. – 2022. – №46(2). –C. 318–327.
- ТЕЛЕНЬКОВ А. Система распознавания силуэтов при-меняется МВД в пяти регионах РФ // ТАСС (ЦИПР). –24.06.2021.
- ХАЧУМОВ М.В., НГУЕН Т.З. Распознавание лиц по фото-графиям на основе инвариантных моментов // Современ-ные проблемы науки и образования. – 2015. – №2 – C. 10.
- САВЧУК В.П. Байесовские методы статистического оце-нивания: надежность технических объектов. – М.: Наука,Гл. ред. физ.-мат. лит., 1989.
- DENG J., GUO J., XUE N. et al. ArcFace: Additive AngularMargin Loss for Deep Face Recognition // Proc. CVPR. –2019. – P. 4690–4699.
- HERMANS A., BEYER L., LEIBE B. In Defense of the TripletLoss for Person Re-Identification // arXiv preprint. – 2017. –arXiv:1703.07737.
- IRFAN B., GARCIA ORTIZ M., LYUBOVA N. et al. Multi-modal Open World User Identification // ACM Trans. Human-Robot Interaction. – 2022. – Vol. 11(1). – P. 1–50.
- KOO J.H., CHO S.W., BAEK N.R. et al. CNN-basedmultimodal human recognition in surveillance environments //Sensors. – 2018. – Vol. 18(9). – P. 3040.
- LIAO Z., DI D., HAO J. et al. MMM-GCN: Multi-Level Multi-Modal Graph Convolution Network for Video-Based PersonIdentification // LNCS. – 2023. – Vol. 13834. – P. 3–15.
- LI W., ZHAO R., XIAO T. et al. DeepReID: Deep FilterPairing Neural Network for Person Re-identification // Proc.CVPR. – 2014. – P. 152–159.
- LI W., ZHU X., GONG S. Harmonious Attention Network forPerson Re-Identification // Proc. CVPR. –2018.–P.2285–2294.
- SCHROFF F., KALENICHENKO D., PHILBIN J. FaceNet:A unified embedding for face recognition and clustering // Proc.CVPR. – 2015. – P. 815–823.
- SHOUKRY N., ABD EL GHANY M.A., SALEM M.A.-M. Multi-Modal Long-Term Person Re-Identification UsingPhysical Soft Bio-Metrics and Body Figure // AppliedSciences. – 2022. – Vol. 12(6). – P. 2835.
- VEZZANI R., BALTIERI D., CUCCHIARA R. People re-identification in surveillance and forensics: A survey // ACMComputing Surveys. – 2013. – Vol. 46(2). – P. 1–37.
- ZHANG M., LIU R., ABE N. Face Helps Person Re-Identification: Multi-modality Person Re-ID Based on Vision-Language Models // Proc. IJCB. – 2024.
- CHEN S., LIU Y., GAO X. et al. MobileFaceNets: EfficientCNNs for Accurate Real-Time Face Verification on MobileDevices // arXiv preprint. – 2018. – arXiv:1804.07573.
- DOSOVITSKIY A. et al. An image is worth 16х16 words:Transformers for image recognition at scale // arXiv preprint. –2020. – arXiv:2010.11929.
Дополнительные файлы
