车辆再识别技术综述
|
刘凯,李浥东,林伟鹏
|
A survey on vehicle re-identification
|
Kai LIU,Yidong LI,Weipeng LIN
|
|
表1 车辆再识别方法的分类情况
|
|
|
分类依据 | 方法类别 | 参考文献 | 优点 | 缺点 | 实现方式 | 基于传感器的方法 | 参考文献[11-21]等 | 不需要训练学习 | 复现难度高;识别率低;需要大量硬件 | | 基于人工设计特征的方法 | 参考文献[22-33]等 | 不依赖特殊硬件;可解释性强 | 时间复杂度高;受光照变化、视角变化和遮挡的影响较大 | | 基于深度学习的方法 | 参考文献[34-68]等 | 识别率高;实时性强;可以解决光照变化、视角变化和遮挡问题 | 训练学习时间长;特征抽象,可解释性差 | 解决车辆再识别问题的着手点 | 利用多维度信息的方法 | 参考文献[39-48]等 | 对车辆特殊外观敏感 | 容易误判辨识性区域;易受视角、光照变化影响 | | 基于度量学习的方法 | 参考文献[49-54]等 | 识别率高;对难样本的识别效果好 | 训练学习时间长 | | 解决视角变化引起的外观偏差 | 参考文献[55-58]等 | 对车辆的视角变化有鲁棒性;识别率高 | 训练学习时间长;系统实时性难以得到保证 | | 利用时序地理信息的方法 | 参考文献[59]等 | 对难样本的识别效果好;方法新颖 | 需要车辆时序和位置标签;对数据集要求高 | 是否需要车辆身份标签 | 有监督学习方法 | 参考文献[34-65]等 | 识别率高;符合发展潮流;在不同数据集下的泛化能力强 | 训练学习时间长;需要大型数据集支持 | | 无监督学习方法 | 参考文献[66-68]等 | 无需人工标注;符合实际需求;拓展性强 | 识别率较低;时间复杂度高 |
|
|
|