基于步行周期聚类的视频行人重识别关键帧提取算法

视频行人重识别旨在不同摄像头拍摄的视频中检索特定行人。但是，它面临着数据量庞大和视频数据存在时间冗余的问题，即视频数据耗费大量的存储空间且不同帧之间存在极强的相关性。因此，使用所有的帧进行识别会带来查询效率的下降，而且视频中大量的干扰和噪声也会给准确率带来不利影响。本文提出了基于步行周期聚类的视频行人重识别关键帧提取算法，首先利用行人步行时双脚距离变化的周期性规律提取候选步行周期，然后利用聚类的方法从候选步行周期中选出关键步行周期作为关键帧。最后，将该算法应用在视频行人重识别中，仅使用关键帧的信息进行识别以减少时间冗余的影响，从而提高准确率，并且在查询前对视频进行处理，减少视频数据量以提高查询效率。在视频行人重识别数据集MARS和DukeMTMC-VideoReID上的实验表明，本文算法能够减少59%~82%的视频数据量，并且累积匹配曲线Rank-1提高了1.1%~1.4%，平均精度均值提高了0.2%~5%。

Key Frame Extraction Algorithm for Video-Based Person Re-identification Based on Walking Cycle Clustering