基于特征融合的端到端行人检测及行人再识别

发布时间：2021-04-30 03:17

　　随着公共安全问题的日益突出,在公共场所铺设视频监控网络成为了有效的公共安全防控手段。这些监控设备每天产生海量的监控视频,如何高效地在海量监控视频中获取人们感兴趣的目标（尤其是行人）就成为了人们迫切需要解决的问题。利用计算机视觉技术对监控视频中的行人进行智能化行人再识别的需求就应运而生了。但是目前的行人再识别研究大多是基于已经裁剪好的行人图像块进行的,这些裁剪好的行人图像块中只包含行人图像,而不包含背景信息。这样的场景显然和实际情况不符。因为实际的监控图像中,不仅包含行人还包含复杂的背景环境,而且行人在图像中的位置也不可能直接给定。因此在行人再识别之前需要在监控图像中进行行人检测。随着深度学习在计算机视觉领域的不断深入探索,越来越多的研究人员将深度学习应用到行人检测及行人再识别中来。在本文中我们在深度特征的基础上引入LOMO特征,将这种传统手工设计的行人特征与深度特征相融合构建一种鲁棒的行人特征。LOMO特征可以很好地抑制实际监控视频环境下不同角度、不同光照对行人检测及行人再识别的不良影响。为了提高行人再识别在实际场景中的应用性,本文设计了一种基于特征融合的端到端行人检测及行人再识别系统... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 引言
    1.2 课题研究背景及意义
    1.3 国内外研究现状
        1.3.1 行人检测研究现状
        1.3.2 行人再识别研究现状
    1.4 本文的研究内容及组织结构
第二章 行人检测及行人再识别综述
    2.1 行人检测相关技术分析
        2.1.1 基于传统特征的行人检测
        2.1.2 基于深度特征的行人检测
    2.2 行人再识别相关技术分析
        2.2.1 基于表征学习的行人再识别算法
        2.2.2 基于度量学习的行人再识别算法
第三章 基于特征融合的行人检测
    3.1 基于YOLO模型的行人检测
    3.2 Local Maximal Occurrence特征
        3.2.1 处理光照变化
        3.2.2 处理视角变化
    3.3 基于特征融合的行人检测方法
    3.4 评价指标及实验结果
第四章 端到端行人检测及行人再识别系统
    4.1 端到端行人检测及行人再识别系统网络结构
        4.1.1 网络结构
        4.1.2 ROI Pooling
        4.1.3 Random Sampling Softmax
    4.2 数据集及评价标准
        4.2.1 数据集
        4.2.2 评价标准
    4.3 实验结果与分析
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3168731