基于视觉显著特征分析的行人再识别方法研究

发布时间：2017-05-22 10:28

  本文关键词：基于视觉显著特征分析的行人再识别方法研究，由笔耕文化传播整理发布。

【摘要】：行人再识别技术,主要是指行人穿梭于摄像机网络广域监控场景中的匹配,尤其是针对无重叠视域的摄像机网络,是社会安防和智能监控的重要任务之一。然而,由于多摄像机视域场景的变化、行人目标姿态的变化、多个摄像机成像的差异、光照的改变等因素,使得行人再识别技术的实际研究工作具有巨大的挑战性。行人再识别的基本过程主要包括行人图像或视频特征的融合与提取,以及特征之间相似度度量模型的设计,根据度量模型的数据输入,行人再识别研究方法可以分为基于单幅图像的方法和基于视频序列的方法两类。其中基于单幅图像是指对于一个行人目标,模型在一个摄像机场景中可以利用的信息只有一幅图像；而基于视频序列可以利用的信息为多幅图像或者一段视频序列。本论文针对基于单幅图像(single-shot)和基于视频序列(multi-shot)两种情况下的行人再识别问题展开研究,重点研究视觉显著特征在行人再识别问题中的重要作用。首先,针对基于单幅图像的行人再识别,将行人图像的显著性区域作为图像中最具有代表性的视觉显著特征,也可以称为图像的代表性区域。显著性的学习可以理解为图像视觉显著特征的提取,现有的一些方法已经证明行人显著性信息的重要性。如何挖掘更具有代表性和区分能力的显著性信息是行人再识别的一个重要研究任务。另外针对基于视频序列的行人再识别,将视频序列中具有较强区分能力的图像作为视频的视觉显著特征。现有基于单幅行人图像之间的匹配忽略了监控视频中行人序列中蕴含的丰富信息,而且现实生产中行人的行踪都是通过视频的形式存储的,即视频序列。如何选择具有视觉特征明显的图像序列,即如何提取视频的关键帧并将其用于行人的再识别是基于视频序列下行人再识别的一个关键问题。本文针对上述两个问题展开研究,论文主要的工作与贡献包括如下三点：第一,针对基于单幅图像行人再识别的视觉显著特征表达问题,提出一种基于局部离群点检测的无监督显著性学习方法。首次将这类显著性区域检测方法归结为离群点检测问题,同时利用行人目标图像稠密局部块的密度和距离信息计算局部区域的显著性值,能够较好的获得行人图像中视觉明显、显著性高的局部区域。第二,在获得行人图像视觉显著特征区域的基础上,我们给出了一种基于单幅图像行人再识别模型。该模型融合了图像显著区域、行人头部先验和块匹配方法以计算图像之间的相似度,通过公共数据集的验证,相比单纯利用块匹配的方法,具有较高的计算效率和较好的计算效果。第三,针对基于视频序列的行人再识别视觉显著特征表达的问题,提出一种基于协同稀疏恢复的视频显著特征选取策略,并利用选取的关键序列作为行人相似度度量的基础。该方法通过行稀疏正则化迹最小化问题的求解实现视频关键序列的选取,将基于视频序列行人再识别问题转化为关键序列图像之间的识别和匹配问题。多幅行人序列图像相比单幅行人图像而言,可以利用的信息较多,因此具有较为稳定的识别效果,并且能够避免单幅行人图像由于遮挡和物品的干扰原因造成效果不佳的问题。
【关键词】：显著性学习 视觉显著特征 度量学习 行人再识别 关键帧 监控网络
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要3-5
• Abstract5-13
• 第一章 绪论13-22
• 1.1 研究背景与意义13-15
• 1.2 国内外研究现状15-20
• 1.3 本文的主要贡献与内容安排20-22
• 第二章 行人再识别相关技术22-29
• 2.1 Single-Shot行人再识别22-25
• 2.1.1 行人图像特征表示23-24
• 2.1.2 行人图像距离度量24-25
• 2.2 Multi-Shot行人再识别25-28
• 2.2.1 行人序列特征表示25-27
• 2.2.2 行人序列距离度量27-28
• 2.3 本章小结28-29
• 第三章 基于图像显著特征学习的single-shot行人再识别方法29-46
• 3.1 引言29-30
• 3.2 基于密度-距离的显著性特征表达30-34
• 3.2.1 显著特征表达概述30-31
• 3.2.2 距离显著性特征学习方法31-33
• 3.2.3 密度显著性特征学习方法33-34
• 3.3 特征提取与相似性度量34-38
• 3.3.1 特征提取34-36
• 3.3.2 相似性度量36-38
• 3.4 基于显著特征表达的行人再识别算法38-41
• 3.5 实验与分析41-44
• 3.5.1 数据集介绍41-42
• 3.5.2 实验结果与分析42-44
• 3.6 本章小结44-46
• 第四章 基于协同稀疏恢复显著帧提取的multi-shot行人再识别方法46-63
• 4.1 引言46
• 4.2 基于协同稀疏恢复的视频显著帧提取46-51
• 4.2.1 协同稀疏恢复概述47-48
• 4.2.2 正则化参数48-49
• 4.2.3 显著帧提取49-51
• 4.3 特征提取与相似性度量51-54
• 4.3.1 图像特征提取51-53
• 4.3.2 二次线性判别分析方法53-54
• 4.4 基于显著帧提取的行人再识别算法54-56
• 4.5 实验与分析56-61
• 4.5.1 数据集介绍56-57
• 4.5.2 实验结果与分析57-61
• 4.6 本章小结61-63
• 第五章 总结和展望63-65
• 5.1 工作总结63-64
• 5.2 未来展望64-65
• 参考文献65-71
• 致谢71-73
• 攻读硕士学位期间发表的学术论文73-74
• 攻读硕士学位期间参加的科研项目74

【参考文献】

中国期刊全文数据库 前2条

1 刘丽;匡纲要;;图像纹理特征提取方法综述[J];中国图象图形学报;2009年04期

2 艾海舟,吕凤军,刘伟,郭艳芳;面向视觉监视的变化检测与分割[J];计算机工程与应用;2001年05期

中国博士学位论文全文数据库 前1条

1 焦波;面向智能视频监控的运动目标检测与跟踪方法研究[D];国防科学技术大学;2009年

中国硕士学位论文全文数据库 前1条

1 刘成;行人再识别关键技术研究[D];北京邮电大学;2013年

  本文关键词：基于视觉显著特征分析的行人再识别方法研究，，由笔耕文化传播整理发布。

本文编号：385453