基于特征融合和度量学习的行人重识别算法研究

发布时间：2021-05-09 15:28

　　监控系统在公共安全方面发挥着至关重要的作用,随着监控系统规模的越来越大,传统的人工监测方法已经无法适应社会的发展。因此智能视频监控近年来越来越受到研究者的关注,在智能监控系统中,行人重识别部分发挥着不可替代的角色,是非重叠摄像机目标轨迹关联的纽带。虽然行人重识别算法在一些特定的数据集上取得了一定的准确度,但是光照、遮挡、行人姿态变化、场景转变、穿衣风格季节性变化等依然是行人重识别领域内的挑战。本文在分析已有的行人重识别算法基础上,从传统算法和深度学习算法两方面进行研究。传统算法方面,提出基于特征融合与子空间学习的行人重识别算法。在特征提取前,首先对图像进行预处理来增强图像的可处理性。预处理完后,对行人图像分别提取局部特征和整体特征。整体特征将HOG特征和HSV颜色直方图特征融合作为整体特征。局部特征采取在滑动窗口内提取CN颜色特征和两个尺度的SILTP特征。为了获得多尺度特征,分别对原图像进行两次下采样,然后分别提取上述特征。特征提取后用核函数将所提取的特征转换到非线性空间,再在非线性空间学习一个子空间,最后在子特征空间学习一个测度矩阵进行相似度度量。深度学习方面,提出多粒度部件对齐的... 

【文章来源】：宁夏大学宁夏回族自治区 211工程院校

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题研究的背景及意义
    1.2 国内外研究现状
    1.3 面临的问题及挑战
    1.4 研究内容和结构安排
第二章 行人重识别现有算法及相关技术研究
    2.1 传统人工提取特征算法
    2.2 融合特征算法
    2.3 相似性度量算法
    2.4 深度学习特征算法及其损失函数
    2.5 本章小结
第三章 基于特征融合与子空间学习的行人重识别算法
    3.1 特征选择与提取
    3.2 多特征融合
    3.3 相似性度量
    3.4 实验测试与结果
    3.5 本章小结
第四章 多粒度部件对齐的多损失融合行人重识别算法
    4.1 基于深度学习的行人重识别实现框架
    4.2 CNN预训练网络
    4.3 特征提取网络设计
    4.4 网络的损失函数设计
    4.5 网络性能评估
    4.6 具体网络设计
    4.7 实验结果及分析
    4.8 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
个人简介


【参考文献】：
期刊论文
[1]基于距离中心化与投影向量学习的行人重识别[J]. 丁宗元,王洪元,陈付华,倪彤光.  计算机研究与发展. 2017(08)
[2]基于融合特征的行人再识别方法[J]. 袁立,田子茹.  模式识别与人工智能. 2017(03)
[3]一种用于大型交通枢纽的跨摄像机行人再识别算法研究[J]. 谭飞刚,黄玲,翟聪,刘伟铭,周书仁,刘建.  铁道学报. 2017(01)



本文编号：3177552