Байесовский алгоритм классификации в задаче реидентификации личности

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. 

1. Deep learning for person re-identification / M. Ye, J. Shen, G. Lin, T. Xiang, L. Shao, S.C.H. Hoi // A survey and outlook. IEEE Trans. Pattern Anal. Mach. Intell. 2021. 44(6): 2872–2893.

2. Ahmed E., Jones M., Marks T.K. An improved deep learning architecture for person re-identification // Proc. IEEE Conf. on Computer Vision and Pattern Recognition (CVPR). 2015. P. 3908–3916.

3. Varior R.R., Haloi M., Wang G. Gated siamese convolutional neural network architecture for human re-identification // Proc. European Conf. on Computer Vision (ECCV), 2016. P. 791–808.

4. Cho Y., Kim J., Kim W. J., Jung J., Yoon S. Generalizable Person Re-identification via Balancing Alignment and Uniformity. arXiv preprint arXiv:2411.11471. 2024.

5. Bag of tricks and a strong baseline for person re-identification / H. Luo, Y. Gu, X. Liao, S. Lai, W. Jiang // Proc. IEEE Conf. on Computer Vision and Pattern Recognition Workshops (CVPRW), 2019. Р. 1487–1495.

6. Yadav A., Vishwakarma D. K. Deep learning algorithms for person re-identification: state-of-the-art and research challenges // Multimedia Tools and Applications. 2023. 83. Р. 22005–22054.

7. Кривенко М.П. Байесовская классификация серий многомерных данных // Системы и средства информатики. 2020. № 30(1). С. 34–45.

8. Сабуров В.С. Байесовский классификатор в машинном обучении // Шаг в науку. 2024. №1. С. 78–81.

9. Moghaddam B., Jebara T., Pentland A. Bayesian face recognition. Pattern Recognition. 2000. 33(11). Р. 1771–1782.

10. Bayesian face revisited: A joint formulation // D. Chen, X. Cao, L. Wang, F. Wen, J. Sun // Proc. European Conf. on Computer Vision (ECCV), 2012.Р. 566–579.

11. Hermans A., Beyer L., Leibe B. In Defense of the Triplet Loss for Person ReIdentification. arXiv preprint arXiv:1703.07737. 2017.

12. Person re-identification by local maximal occurrence representation and metric learning / S. Liao, Y. Hu, X. Zhu, S.Z. Li // Proc. IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), 2015. Р. 2197–2206.

13. Liong V.E., Lu J., Ge Y. Regularized Bayesian metric learning for person reidentification // Proc. ECCV Workshops, 2014. Part III. LNCS 8927. Р. 209–224.

14. Re-ranking person re-identification with k-reciprocal encoding / Z. Zhong, L. Zheng, D. Cao, S. Li // Proc. IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), 2017. Р. 1318–1327.

15. Бобырь М. В., Храпова Н. И. Информационно-аналитическая система детектирования движения объектов на пешеходном переходе // Онтология проектирования. 2024. Т. 14, № 4(54). С. 531-541.

16. Бобырь М. В., Милостная Н. А., Храпова Н. И. О подходе к детектированию движения пешеходов методом гистограмм направленных градиентов // Электронные библиотеки. 2024. Т. 27, № 4. С. 429-447.

17. Русаков К.Д. Алгоритм реидентификации личности на основе глубоких сверточных сетей // Управление большими системами: сборник трудов. 2025. Вып. 110.

18. Yu Changqian, Gao Changxin, Wang Jingbo, Yu Gang, Shen Chunhua, Sang Nong. BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation. 2020.

19. Игнатьева С.А., Богуш Р.П. Реидентификация людей по данным систем видеонаблюдения с использованием машинного обучения // Искусственный интеллект в Беларуси: материалы II Форума. Минск, 2023. С. 112–119.

20. Deep LearniFng for Person Re-identification: A Survey and Outlook / M.Ye, J. Shen, G. Lin, T. Xiang, L. Shao, S. C. H. Hoi // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2021. 44(6). P. 2872–2893.

21. Semi-supervised Bayesian attribute learning for person re-identification / W. Liu, X. Chang, L. Chen, Y. Yang // Proc. AAAI Conf. on Artificial Intelligence, 2018. Р. 680–687.

22. Spindle net: Person re-identification with human body region guided feature decomposition and fusion / H. Zhao, W. Ouyang, X. Li, X. Wang // Proc. IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), 2017. Р. 907–915.