بازشناسي مقاوم زماني – مكاني انسان در يك سيستم نظارتي بر اساس شبكه GAN

بازشناسي افراد يكي از پردازش‌هاي مهم و پايه‌اي در سيستم‌هاي نظارت ويديويي است. اين مسئله به دليل تغييرات زياد شدت نور، ژست‌، منظر و پيش‌زمينه تصاوير افراد پياده و غيره، همچنان به‌عنوان يك چالش شناخته‌شده و مطالعات بيشتري را مي‌طلبد. روش‌هاي جديد بازشناسي بر يادگيري ويژگي‌هاي متمايز تمركز مي‌كنند كه تنها نسبت به يك فاكتور خاص از تغييرات مقاوم هستند. همچنين بيشتر اين روش‌ها محدوديت مكاني-زماني را ناديده مي‌گيرند به همين خاطر در عمل كه پايگاه داده گالري بسيار بزرگ است، اين رويكردها به دليل ابهام ظاهري در نماهاي مختلف دوربين، نمي‌توانند عملكرد خوبي داشته باشند. براي مقابله با اين مشكلات در اين مقاله، يك چارچوب دو جرياني را پيشنهاد مي‌كنيم كه اطلاعات معنايي بصري و مكاني-زماني را استخراج مي‌كند. در شاخه جريان بصري از قابليت توليد تصوير شبكه‌هاي مولد استفاده مي‌شود تا روش مطرح‌شده نسبت به تغييرات درون كلاسي مقاوم شود. در شاخه جريان مكاني-زماني نيز براي تقريب توزيع احتمال پيچيده مكاني-زماني، از يك روش هيستوگرام-پارزن سريع بهره جستيم و درنهايت براي ادغام دو نوع اطلاعات ناهمگن از يك متريك شباهت مشترك استفاده‌شده است. نتايج تجربي اثربخشي اين روش را نشان مي‌دهد كه به‌دقت مرتبه اول 93.8٪ و 98.2٪ به ترتيب روي مجموعه داده‌هاي DukeMTMC-reID و Market-1501 دست مي‌يابد.