多视图稀疏融合与多尺度注意力的车辆重识别方法研究

发布时间：2024-06-06 01:41

　　作为国家“十三五”规划重点产业布局,“智慧交通”已上升为“抢占新一轮信息技术革命制高点的战略任务”。为此,全国部署了千万级数量的视频监控终端,如何在海量的交通视觉大数据中,挖掘和利用深层信息是智慧交通建设急需解决的问题。车辆重识别的任务是在车辆号牌信息不可用的情况下,从无重叠视域的跨摄像机视频监控系统中,判断其中一个摄像机下出现的车辆是否出现在了另一个摄像机拍摄的场景之下,最终在整个监控系统中获得行车轨迹。车辆重识别技术在一定程度上可以缓解海量数据与不足人工之间的矛盾,因此在智慧交通领域具有重要的应用价值,对公共安防、智能监控、无人驾驶等行业的发展具有推动作用。然而车辆重识别技术的实际应用还存在着诸多挑战:(1)由于复杂的监控场景,监控探头自身属性差异,监控场景中的光照变化等因素,相同车辆的不同图像间存在较大差异,因而需要提取出对光照变化,角度差异等因素具有鲁棒性的车辆特征。(2)由于车辆是刚体结构,广泛存在同款车的情况,即不同的车辆具有极为相似的外观,因而需要提取出具有判别性细节的车辆特征。(1)为了一定程度上摆脱光照,角度,遮挡等因素的干扰,获取更鲁棒的特征来描述车辆,本文提出了基...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 研究现状
    1.3 本文的工作与安排
第二章 车辆重识别方法简介
    2.1 车辆重识别数据集简介
    2.2 基于特征学习的车辆重识别方法
        2.2.1 仅使用外观信息的特征学习方法
        2.2.2 利用辅助信息的特征学习方法
    2.3 基于度量学习的车辆重识别方法
第三章 基于稀疏融合的多视图车辆重识别研究
    3.1 引言
    3.2 基于拉普拉斯约束的关联稀疏融合多视图
        3.2.1 多视图深度特征学习
        3.2.2 基于拉普拉斯约束的关联稀疏排序
        3.2.3 扩展交叉邻域重排序
    3.3 实验结果与分析
        3.3.1 数据集与主流方法介绍及评估度量
        3.3.2 实验结果分析
        3.3.3 组成成分分析
        3.3.4 参数分析
    3.4 本章小结
第四章 基于多尺度注意力机制的车辆重识别研究
    4.1 引言
    4.2 基于多尺度注意力机制的车辆重识别网络
        4.2.1 网络结构
        4.2.2 多尺度机制
        4.2.3 空间通道注意力模块
        4.2.4 训练细节
    4.3 实验结果与分析
        4.3.1 数据集与主流方法介绍及评估度量
        4.3.2 实验结果分析
        4.3.3 组成成分分析
        4.3.4 参数分析
    4.4 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 未来展望
参考文献
攻读硕士学位期间参与的科研项目
攻读硕士学位期间取得的学术成果
致谢



本文编号：3990114