原文：https://blog.csdn.net/weixin_41427758/article/details/81188164
灵动创新
适应范围广
灵动创新行人再识别（行人重识别，Reid，跨镜追踪）技术可以有效解决95%看不清人脸的摄像头数据分析问题。
当视频中存在：人脸遮挡，低分辨率，角度，光照，以及大范围空间下行人轨迹严重碎片化等造成视频数据无法有效利用的问题时，
都可以通过灵动创新行人再识别（行人重识别，Reid，跨镜追踪）技术得到理想的解决方案。
识别准度高
灵动创新行人再识别（行人重识别，Reid，跨镜追踪）核心技术在全球处于领导地位。
通过提取衣帽，发型，配饰，携带物品，身型等特征值。可以基于图像中行人的半/全身特征对行人个体
进行精准识别。
识别效率高
灵动创新行人再识别（行人重识别， Reid，跨镜追踪）技术相比人工排查，在提高到400倍速度同时实现98.6%的精确度。
功能应用
当有案件发生时，通过行人识别技术针对监控视频中行人的外貌体态特征进行分析。
筛选出可疑人员，同时对可疑人员的行为轨迹进行跟踪。在视频中找到可疑人员具有脸部特征的画面，
关联人脸信息，最终确定可疑人员身份。
查人找人
通过行人识别技术的功能特点针对人类外貌体态等特征值的识别和检索，可以用于可疑人员和走失老人及儿童等人员的排查。
轨迹追踪
通过行人再识别（行人重识别，Reid，跨镜追踪）技术，在监控视频中提取检索目标人员的特征表现信息，可以快速定位和检索目标人员的时间信息和地理位置信息 ，分析记录其时空轨迹行为，形成特定目标人员的轨迹追踪。
简介
研究形式：
数据集通常是通过人工标注或者检测算法得到的行人图片，目前与检测独立，注重识别
数据集分为训练集、验证集、Query、Gallery，在训练集上进行模型的训练，得到模型后对Query与Gallery中的图片提取特征计算相似度，对于每个Query在Gallery中找出前N个与其相似的图片训练、测试中人物身份不重复。
两大方向：
特征提取：学习能够应对在不同摄像头下行人变化的特征
度量学习 ：将学习到的特征映射到新的空间使相同的人更近不同的人更远
对于深度学习方法，现有数据集相对较小
常用数据集：
CUHK03
Market1501
DukeMTMC-reID
MSMT17
这里只列举了常用的数据集，更全的数据集可以参考：Person Re-identification Datasets
常用评价指标：
rank-k：算法返回的排序列表中，前k位为存在检索目标则称为rank-k命中。eg：rank1：首位为检索目标则rank-1命中。
Cumulative Match Characteristic (CMC) curve:计算rank-k的击中率，形成rank-acc的曲线，如下图:
mAP(mean average precision)：反应检索的人在数据库中所有正确的图片排在排序列表前面的程度，能更加全面的衡量ReID算法的性能。如下图，该检索行人在gallery中有4张图片，在检索的list中位置分别为1、2、5、7，则ap为(1 / 1 + 2 / 2 + 3 / 5 + 4 / 7) / 4 =0.793；ap较大时，该行人的检索结果都相对靠前，对所有query的ap取平均值得到mAP
