摘要

行人重识别（Person Re-identification, Re-ID）是一项具有挑战性的任务，旨在监控系统中跨不同摄像头视角识别同一行人。现有方法通常依赖于单摄像头视角的特征表示，在面对多摄像头场景以及视角变化、遮挡等挑战时，其性能往往受限。本文提出一种新方法，通过引入不确定特征融合方法（Uncertain Feature Fusion Method, UFFM）与自动加权度量组合机制（Auto-weighted Measure Combination, AMC），显著提升了Re-ID模型的性能。UFFM通过独立提取多张图像的特征，并融合生成多视角特征，有效缓解了视角偏差问题。然而，仅依赖多视角特征之间的相似性度量存在局限性，因为这类特征忽略了单视角特征中所蕴含的细节信息。为此，本文进一步提出AMC方法，通过融合多种相似性度量方式，构建更加鲁棒的综合相似性评估机制。在多个行人重识别数据集上的实验结果表明，所提方法显著提升了Rank@1准确率与平均精度均值（Mean Average Precision, mAP）。结合BoT基准模型，在具有挑战性的MSMT17数据集上，Rank@1提升达7.9%，mAP提升12.1%；在Occluded-DukeMTMC数据集上，Rank@1提升22.0%，mAP提升18.4%。实验结果充分验证了所提方法的有效性与优越性。代码已公开，访问地址：https://github.com/chequanghuy/Enhancing-Person-Re-Identification-via-UFFM-and-AMC