Русаков Константин Дмитриевич, научный сотрудник,
ул. Профсоюзная, д. 65, г. Москва 117997.
Konstantin D. Rusakov. Researcher,
65, Profsoyuznaya str., Moscow 117997.
Цель исследования. Разработка и экспериментальная проверка алгоритма байесовской классификации для задачи реидентификации личности на изображениях, полученных с разных видеокамер. Исследование направлено на повышение точности идентификации за счёт интеграции признаков, извлекаемых из изображений лица и силуэта человека.
Методы. Предложенный алгоритм основан на байесовской модели классификации с использованием многомерных нормальных распределений признаков. Признаки извлекаются из изображений нейросетевыми кодировщиками, построенными на архитектуре Vision Transformer и обученными с применением функции потерь ArcFace. Интеграция признаков различных модальностей осуществляется на основе вычисления логарифмических апостериорных вероятностей принадлежности объектов к классам. Для оценки эффективности метода применялся открытый набор данных CUHK03, выполнен количественный анализ с помощью ROC-кривых и визуализации признакового пространства методом t-SNE.
Результаты. Алгоритм показал высокие показатели точности: precision 95,65% на CUHK03, до 97,7% на Market-1501 и 89,2% на MARS. ROC-анализ подтвердил хорошую разделимость классов, а t-SNE визуализации продемонстрировали компактность кластеров. Алгоритм детерминирован, устойчив к шумам и масштабируем на более крупные выборки.
Заключение. Разработанный байесовский алгоритм классификации подтвердил свою эффективность и перспективность для решения задачи реидентификации личности в интеллектуальных системах видеонаблюдения. Его преимущества заключаются в высокой точности, интерпретируемости результатов и возможности интеграции дополнительных признаков. Дальнейшее развитие алгоритма целесообразно осуществлять путём внедрения дополнительных атрибутов и тестирования на существенно более крупных и разнообразных датасетах.
Purpose of research. Development and experimental evaluation of a Bayesian classification algorithm for the person re-identification task using images from multiple surveillance cameras. The study aims to improve identification accuracy through integrating features derived from facial and silhouette images.
Methods. The proposed algorithm utilizes a Bayesian classification model based on multivariate normal distributions of features. These features are extracted by neural encoders built on the Vision Transformer architecture and trained using the ArcFace loss function. Integration of modality-specific features is performed by computing logarithmic posterior probabilities of class membership. The effectiveness of the method was evaluated using the open CUHK03 dataset, quantitative analysis via ROC curves, and feature space visualization using the t-SNE method.
Results. The algorithm demonstrated high classification performance: precision of 95.65% on CUHK03, up to 97.7% on Market-1501, and 89.2% on MARS. ROC analysis confirmed strong class separability, while t-SNE visualizations showed compact and well-defined clusters. The algorithm is deterministic, robust to noise, and scalable to larger datasets.
Conclusion. The developed Bayesian classification algorithm has proven its effectiveness and feasibility for person re-identification tasks in intelligent video surveillance systems. Its advantages include high accuracy, interpretability, and potential for integrating additional features. Future research should focus on incorporating extra attributes and evaluating algorithm performance on significantly larger and more diverse datasets..
The authors declare that there are no conflicts of interest present.