Comparative Study of Person Re-Identification Techniques Based on Deep Learning Models

Cover Page

Cite item

Full Text

Abstract

Person re-identification (Re-ID) is crucial in intelligent surveillance, requiring precise identification of individuals across multiple camera viewpoints. Traditional distance-based methods, such as Euclidean and Cosine, struggle with challenges like posture variations and occlusions, limiting their effectiveness. This study explores deep metric learning models, specifically Siamese and Triplet networks, to improve Re-ID performance. We evaluate these methods on the Market-1501 dataset using Cumulative Matching Characteristic (CMC) and Cumulative Distribution Function (CDF) curves. Our findings reveal that the Triplet network outperforms traditional approaches at higher ranks, achieving Rank-5 accuracy of 78.6% and Rank-10 accuracy of 93%, while its Rank-1 accuracy remains low (0.06%). In contrast, Euclidean and Cosine distances show poor Rank-1 performance (2% and 0.30%, respectively), highlighting their limitations. Additionally, incorporating VGG16 enhances feature extraction, improving recognition by capturing fine-grained spatial details. This comparative study highlights the effectiveness of deep metric learning and underscores its potential for real-world surveillance applications. However, the computational demands of deep networks present challenges for real-time deployment. Future research should focus on optimizing model efficiency, reducing computational costs, and extending evaluations to real-time scenarios.

About the authors

M. Idrissi Alami

Mohammed V University in Rabat

Email: mossaab_idrissialami@um5.ac.ma
Av. des Nations Unies -

A. Ez-zahout

Mohammed V University in Rabat

Email: a.ezzahout@um5r.ac.ma
Av. des Nations Unies -

F. Omary

Mohammed V University in Rabat

Email: omary@fsr.ac.ma
Av. des Nations Unies -

References

  1. Ezzahoutz A., Youssef H.M., Thami R.O.H. Detection evaluation and testing region incoming people’s in a simple camera view. Second International Conference on the Innovative Computing Technology (INTECH 2012). Casablanca: IEEE, 2012. pp. 179–183. doi: 10.1109/INTECH.2012.6457804.
  2. Ezzahout A., Hadi Y., Thami R.O.H. Performance Evaluation of Mobile Person Detection and Area Entry Tests through a One-View Camera. Journal of Information. 2012. vol. 2. no. 3.
  3. Sun Z., et al. A comprehensive review of pedestrian re-identification based on deep learning. Complex Intell. Syst. 2024. vol. 10. no. 2. pp. 1733–1768. doi: 10.1007/s40747-023-01229-7.
  4. Zahra A., Perwaiz N., Shahzad M., Fraz M.M. Person re-identification: A retrospective on domain specific open challenges and future trends. Pattern Recognition. 2023. vol. 142. p. 109669. doi: 10.1016/j.patcog.2023.109669.
  5. De Maesschalck R., Jouan-Rimbaud D., Massart D.L. The Mahalanobis distance. Chemometrics and Intelligent Laboratory Systems. 2000. vol. 50. no. 1. pp. 1–18. doi: 10.1016/S0169-7439(99)00047-7.
  6. Ghorbani H. Mahalanobis distance and its application for detecting multivariate outliers. Facta Universitatis, Series: Mathematics and Informatics. 2019. pp. 583–595. doi: 10.22190/FUMI1903583G.
  7. Mclachlan G. Mahalanobis Distance. Resonance. 1999. vol. 4. pp. 20–26. doi: 10.1007/BF02834632.
  8. Tena S., Hartanto R., Ardiyanto I. Content-based image retrieval for fabric images: A survey. Indones. J. Electr. Eng. Comput. Sci. 2021. vol. 23. no. 3. doi: 10.11591/ijeecs.v23.i3.pp1861-1872.
  9. Samit Hatem A., Altememe M.S., Fadhel M.A. Identifying corn leaves diseases by extensive use of transfer learning: a comparative study. Indones. J. Electr. Eng. Comput. Sci. 2023. vol. 29. no. 2. doi: 10.11591/ijeecs.v29.i2.pp1030-1038.
  10. Gottipati S.B., Thumbur G. Multi-modal fusion deep transfer learning for accurate brain tumor classification using magnetic resonance imaging images. Indones. J. Electr. Eng. Comput. Sci. 2024. vol. 34. no. 2. doi: 10.11591/ijeecs.v34.i2.pp825-834.
  11. Sehree N.A., Khidhir A.M. Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery. Indones. J. Electr. Eng. Comput. Sci. 2022. vol. 27. no. 1. pp. 92–101. doi: 10.11591/ijeecs.v27.i1.pp92-101.
  12. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv preprint arXiv:1409.1556. 2015. doi: 10.48550/arXiv.1409.1556.
  13. Aufar Y., Sitanggang I.S. Face recognition based on Siamese convolutional neural network using Kivy framework. IJEECS. 2022. vol. 26. no. 2. pp. 764–772. doi: 10.11591/ijeecs.v26.i2.
  14. Xu J. A deep learning approach to building an intelligent video surveillance system. Multimedia Tools and Applications. 2021. vol. 80(4). pp. 5495–5515. doi: 10.1007/s11042-020-09964-6.
  15. Alami M.I., Ez-Zahout A., Omary F. Enhanced people re-identification in cctv surveillance using deep learning: a framework for real-world applications. Informatics and Automation. 2025. vol. 24. no. 2. pp. 583–603. doi: 10.15622/ia.24.2.8.
  16. Moghaddam A.S., Anvari F., Haghighi M.M., Fakhari M., Mohammadi M.R. IUST_PersonReId: A New Domain in Person Re-Identification Datasets. arXiv preprint arXiv:2412.18874. 2024. doi: 10.48550/arXiv.2412.18874.
  17. Wang G.A, Gong S., Cheng J., Hou Z. Faster Person Re-identification. European conference on computer vision (ECCV 2020). Cham: Springer International Publishing, 2020. vol. 12353. pp. 275–292. doi: 10.1007/978-3-030-58598-3_17.
  18. Rami H., Ospici M., Lathuilière S. Online Unsupervised Domain Adaptation for Person Re-identification. arXiv preprint arXiv:2205.04383. 2022. doi: 10.48550/arXiv.2205.04383.
  19. Khan S.U., Khan N., Hussain T., Baik S.W. An intelligent correlation learning system for person Re-identification. Engineering Applications of Artificial Intelligence. 2024. vol. 128. doi: 10.1016/j.engappai.2023.107213.
  20. Khan S.U., Hussain T., Ullah A., Baik S.W. Deep-ReID: deep features and autoencoder assisted image patching strategy for person re-identification in smart cities surveillance. Multimed Tools Appl. 2024. vol. 83. no. 5. pp. 15079–15100. doi: 10.1007/s11042-020-10145-8.
  21. He S., Luo H., Wang P., Wang F., Li H., Jiang W. TransReID: Transformer-Based Object Re-Identification (CVPR). Proceedings of the IEEE/CVF international conference on computer vision. 2023. pp. 15013–15022.
  22. Ye M., Chen S., Li C., Zheng W.-S., Crandall D., Du B. Transformer for Object Re-Identification: A Survey. arXiv preprint arXiv:2401.06960. 2024. doi: 10.48550/arXiv.2401.06960.
  23. Choudhary A., Mishra D., Karmakar A. Domain Adaptive Egocentric Person Re-identification. Computer Vision and Image Processing: 5th International Conference (CVIP 2020). 2021. vol. 1378. pp. 81–92. doi: 10.1007/978-981-16-1103-2_8.
  24. Taye M.M. Understanding of Machine Learning with Deep Learning: Architectures, Workflow, Applications and Future Directions. Computers. 2023. vol. 12. no. 5. doi: 10.3390/computers12050091.
  25. Chopra S., Hadsell R., LeCun Y. Learning a Similarity Metric Discriminatively, with Application to Face Verification. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05). San Diego, CA, USA: IEEE, 2005. vol. 1. pp. 539–546. doi: 10.1109/CVPR.2005.202.
  26. Schroff F., Kalenichenko D., Philbin J. FaceNet: A unified embedding for face recognition and clustering. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, MA, USA: IEEE, 2015. pp. 815–823. doi: 10.1109/CVPR.2015.7298682.
  27. Karanam S., Gou M., Wu Z., Rates-Borras A., Camps O., Radke R.J. A Systematic Evaluation and Benchmark for Person Re-Identification: Features, Metrics, and Datasets. arXiv preprint arXiv:1605.09653. 2018.
  28. Xu P., Zhu X. DeepChange: A Long-Term Person Re-Identification Benchmark with Clothes Change. IEEE/CVF International Conference on Computer Vision (ICCV). Paris, France: IEEE, 2023. pp. 11162–11171. doi: 10.1109/ICCV51070.2023.01028.
  29. Ye M., Shen J., Lin G., Xiang T., Shao L., Hoi S.C. Deep Learning for Person Re-identification: A Survey and Outlook. arXiv preprint arXiv:2001.04193. 2021. doi: 10.48550/arXiv.2001.04193.
  30. Ning E., Wang C., Zhang H., Ning X., Tiwari P. Occluded person re-identification with deep learning: A survey and perspectives. Expert Systems with Applications. 2024. vol. 239. doi: 10.1016/j.eswa.2023.122419.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».