行人重识别的研究与应用

发布时间：2022-10-08 14:57

　　行人重识别旨在对目标行人进行跨相机检索。随着视频监控网络的日益庞大,该项技术越来越受到学者们的关注。目前,行人重识别主要包含三个关键问题:行人检测,从视频流中提取高质量的静态行人图像;特征表达,从图像中提取具有跨相机不变性的特征向量;度量学习,评估特征向量之间的相似度。本文从上述关键问题入手,对行人重识别展开了研究。在行人检测问题上,针对经典的HOG+SVM算法无法兼顾检测速度与质量、存在冗余行人目标的缺点,研究并实现了一种联合运动目标检测、目标分类以及目标跟踪的行人检测与跟踪算法,满足了重识别场景下的行人检测需求。在特征表达问题上,针对LOMO特征对背景噪声鲁棒性较差、维度较高的缺点,提出了一种结合行人轮廓信息与维度优化的改进算法,得到了较原LOMO特征维度更低、区分度更高的改进LOMO特征;研究了基于深度学习的特征表达算法,针对如何有效利用改进LOMO特征和CNN特征的互补特性,提出了特征融合网络,使得改进LOMO特征不仅能和CNN特征进行自适应融合,还能反向优化CNN特征的表达能力,得到了区分度更高的融合特征。在度量学习问题上,研究了行人重识别领域常见的度量学习算法,评估了其与融... 

【文章页数】：95 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景与意义
    1.2 国内外研究概况
    1.3 论文主要工作与章节安排
2 行人检测与跟踪
    2.1 运动目标检测
        2.1.1 运动目标检测的常用思路
        2.1.2 常见的背景差分算法
        2.1.3 背景差分算法的性能评估
    2.2 目标分类
        2.2.1 HOG特征
        2.2.2 SVM分类器
        2.2.3 分类器训练
    2.3 行人跟踪
        2.3.1 目标跟踪的常用思路
        2.3.2 基于Camshift的行人跟踪
    2.4 实验结果与分析
        2.4.1 运动目标检测
        2.4.2 目标分类
        2.4.3 行人跟踪
    2.5 本章小结
3 特征表达
    3.1 LOMO特征
        3.1.1 处理光照变化
        3.1.2 提取颜色和纹理特征
        3.1.3 处理视角变化
    3.2 改进LOMO特征
        3.2.1 改善抗噪性能
        3.2.2 降低特征维度
    3.3 CNN特征
        3.3.1 卷积神经网络介绍
        3.3.2 网络设计
    3.4 特征融合网络
        3.4.1 网络架构
        3.4.2 缓冲层和融合层的设计
        3.4.3 网络参数的更新机制
    3.5 实验结果与分析
        3.5.1 数据集介绍
        3.5.2 网络训练
        3.5.3 实验策略
        3.5.4 结果及分析
    3.6 本章小结
4 度量学习
    4.1 度量学习的基本思路
    4.2 常用的度量学习算法
        4.2.1 线性判别分析
        4.2.2 局部Fisher判别分析
        4.2.3 边缘Fisher判别分析
    4.3 核技巧在度量学习中的应用
    4.4 基于XQDA的度量学习
        4.4.1 KISSME算法
        4.4.2 XQDA在 KISSME上的扩展
    4.5 实验结果与分析
        4.5.1 实验策略
        4.5.2 匹配实验结果
        4.5.3 横向比较
    4.6 本章小结
5 行人重识别软件设计与实现
    5.1 软件架构
        5.1.1 架构设计
        5.1.2 开发工具及运行环境
    5.2 主应用服务器
        5.2.1 监控回放模块
        5.2.2 行人重识别模块
        5.2.3 行人信息数据库
    5.3 视频预处理集群
        5.3.1 任务分发模块
        5.3.2 视频预处理模块
    5.4 系统测试
    5.5 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
附录


【参考文献】：
期刊论文
[1]基于改进SSD的行人检测方法[J]. 邢浩强,杜志岐,苏波.  计算机工程. 2018(11)
[2]行人再识别技术综述[J]. 李幼蛟,卓力,张菁,李嘉锋,张辉.  自动化学报. 2018(09)
[3]激活函数在卷积神经网络中的对比研究[J]. 田娟,李英祥,李彤岩.  计算机系统应用. 2018(07)
[4]行人重识别研究综述[J]. 宋婉茹,赵晴晴,陈昌红,干宗良,刘峰.  智能系统学报. 2017(06)
[5]利用人体部位特征重要性进行行人再识别[J]. 章登义,王骞,朱波,武小平,曹瑀,蔡波.  武汉大学学报(信息科学版). 2017(01)
[6]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺.  计算机学报. 2016(08)
[7]基于改进的高斯混合模型的运动目标检测[J]. 范文超,李晓宇,魏凯,陈兴林.  计算机科学. 2015(05)
[8]基于SIFT特征匹配的CamShift运动目标跟踪算法[J]. 马正华,顾苏杭,戎海龙.  计算机科学. 2014(06)
[9]基于边界判别投影的数据降维[J]. 何进荣,丁立新,李照奎,胡庆辉.  软件学报. 2014(04)
[10]EVibe:一种改进的Vibe运动目标检测算法[J]. 余烨,曹明伟,岳峰.  仪器仪表学报. 2014(04)

博士论文
[1]智能监控系统中行人重识别方法研究[D]. 刘晓凯.大连理工大学 2017
[2]面向智能视频监控的行人目标再识别研究[D]. 谢奕.浙江大学 2017

硕士论文
[1]基于改进GMM和SVM的行人检测技术研究[D]. 王明杰.天津大学 2017
[2]基于多摄像机关联的行人检索系统[D]. 疏坤.合肥工业大学 2016



本文编号：3687918