近日，实验室在激光雷达用于行人识别领域取得研究进展。由厦门大学信息学院2024级博士生陆志阳、温程璐教授、程明教授（通讯作者）、王程教授合作完成的论文“MOJO: MOtion Pattern Learning and JOint-based Fine-grained Mining for Person Re-identification based on 4D LiDAR Point Clouds” 被国际学术期刊《IEEE Transactions on Information Forensics and Security》（IEEE TIFS）录用。IEEE TIFS是信息安全领域公认的权威期刊之一，中科院一区Top期刊，是中国计算机学会推荐的A类期刊。

行人重识别（Person Re-identification, ReID）是一项重要的人体分析和表征学习任务，广泛应用于智能安防、人员追踪和行为分析等场景。现有方法主要依赖摄像头获取的图像序列，利用外观特征、运动模式以及其他属性进行表征。尽管基于图像的视觉ReID技术近年来取得了显著进展，但在远距离或低光照等复杂条件下，图像质量往往严重下降，导致识别性能大幅受限。相比之下，激光雷达对光照不敏感，能获得较远距离下高精度的人体点云序列，为解决行人全天候识别问题提供了新的方案，如图1(a)所示。

图1 研究挑战

此外，现有基于ReID 方法大多依赖静态特征，如图1(b)所示，容易受到服饰变化和遮挡等因素干扰。行人运动中产生的自遮挡现象会带来区域密度信息的变化，为动态模式的表征学习带来了负面影响，如图1(c)所示。为此，本文提出了一种基于激光雷达的行人ReID方法-MOJO，通过从4D点云中挖掘个体独有的运动模式来提升识别性能，如图2所示。具体而言，MOJO 通过最优传输计算相邻点云帧的逐点运动向量，从而捕获隐式的运动信息；同时结合反向点级流，解决动态动作中因自遮挡导致的点云密度衰减问题，生成更全面的运动表征。此外，为克服4D点云的稀疏性与无序性，MOJO 构建了三维关节图用于细粒度特征提取，并设计了关节金字塔池化模块以实现层次化的时空特征聚合。

图2 MOJO流程图

在 LReID 和 SUSTech1k数据集（表1和表2）的实验结果表明，MOJO在无需预训练的情况下即取得了当前最优性能，并在不同点云密度条件下表现出较强的鲁棒性。

表1 MOJO在LReID数据集上的识别结果

表2 MOJO在SUSTech1K数据集上的识别结果

进一步，t-SNE可视化结果也凸显了MOJO在类内紧凑性和类间可区分性的能力提升，如图3所示。

图3 t-SNE可视化比较

本研究是实验室在基于激光雷达点云的生物特征识别方向上的重要突破，能够显著提升全天候的行人身份识别能力。