第 16 / 30 课。 前置：上一课。本篇的运行范围以实验说明和验证记录为准，构造样例不代表真实任务精度或板端性能。
从类别分数换成特征向量
分类 head 输出有限类别的分数；ReID 编码器输出描述外观的向量。比较两个向量需要统一预处理、权重和特征维度，不能拿不同模型的坐标空间直接计算相似度。
常见做法对向量 L2 归一化，再计算点积，等价于余弦相似度。零向量没有可靠方向，应拒绝而不是除零。相似度也不是天然的同一人概率。
外观与运动一起使用
仅靠外观会把穿着相近的不同目标合并，仅靠位置在交叉遮挡时容易交换身份。可以先用运动和类别排除不可能的配对，再在剩余候选中组合几何与外观代价。
代码用两个正交方向构造身份特征，故意交换几何最优匹配，观察外观信息如何恢复关联。它不包含训练好的 ReID 网络，因此不代表真实行人识别效果。
特征库不能无条件更新
若每帧把新框特征写入轨迹，错误框会污染历史，随后更容易继续错配。可根据检测质量、遮挡程度、匹配分数和更新时间选择更新，或维护有限长度特征库。
指数滑动平均必须在更新后重新归一化；其系数控制新观测与历史的权衡。长期离开场景后重新识别需要更强的验证策略，不能直接沿用帧间关联阈值。
练习与验收
让两个特征越来越相似，比较最佳匹配与次佳匹配差距。再输入全零向量确认被拒绝。真实项目需按不同摄像头、光照和遮挡统计误关联，阈值只在验证集选择。
参考结论：相似度差距过小时应允许不匹配，强制给每个检测一个旧 ID 会隐藏歧义。新增外观模型还会增加裁剪、推理、特征缓存与跨设备数据搬移成本。
配套实验与运行记录
实验：外观特征与 ReID：怎样比较两个目标
查看完整代码：main.py
"""通过归一化向量、相似度与运动门控理解外观关联。"""
import numpy as np
from scipy.optimize import linear_sum_assignment
def normalize(x):
norm = np.linalg.norm(x, axis=-1, keepdims=True)
if np.any(norm < 1e-12):
raise ValueError("zero embedding")
return x / norm
def main():
tracks = normalize(np.array([[1.0, 0.0, 0.0], [0.0, 1.0, 0.0]]))
observations = normalize(np.array([[0.05, 1.0, 0.0], [1.0, 0.05, 0.0]]))
cosine = tracks @ observations.T
geometry = np.array([[0.1, 0.4], [0.4, 0.1]])
cost = 0.2 * geometry + 0.8 * (1 - cosine)
rows, cols = linear_sum_assignment(cost)
assert cols.tolist() == [1, 0]
print("cosine", cosine.tolist(), "matches", list(zip(rows.tolist(), cols.tolist())))
updated = normalize(0.9 * tracks[0] + 0.1 * observations[1])
assert abs(np.linalg.norm(updated) - 1) < 1e-12
try:
normalize(np.zeros((1, 3)))
except ValueError:
print("zero embedding rejected")
else:
raise AssertionError("zero embedding accepted")
if __name__ == "__main__":
main()
在项目根目录执行；下载包解压后，在解压目录执行 python3 main.py。
cd 'content/posts/AI-深度学习/嵌入式视觉模型进阶/16-外观特征与 ReID/code' && python3 main.py在本篇代码目录执行 python3 main.py。依赖安装、可选入口见包内 README.md；实际运行结果见 verification.md。下载包包含本课使用的辅助模块与样例。
参考与进一步阅读
原始论文或官方文档用于核对结构、接口和适用范围。本篇代码是围绕教学目标编写的最小实验；除明确注明的完整入口外，不视为对应论文模型的完整复现。