多类型深度特征融合机制下的行人再识别研究

发布时间：2021-02-19 02:44

　　行人再识别是智能监控系统中一个重要的应用,其具体指在跨一对或多对摄像头的情况下将同一行人识别出来。在多摄像头监控环境下的目标追踪系统中,同摄像头内的目标可以依靠跟踪技术确定追踪目标的身份,但是在跨摄像头的情况下,甚至是跨无重叠视域摄像头时,需要依赖行人再识别技术,其补足了监控环境下的目标追踪系统中跨境再识别的技术空白。由于行人图像的分辨率变化大、行人姿势不断变化、监控背景变化大、拍摄角度不一致以及照明条件差等原因,行人再识别既具有重要研究意义又面临众多挑战,是目前计算机视觉领域中的研究热点和难点问题。论文主要研究在深度学习框架下的行人再识别中,多类型行人特征的融合机制,即如何通过多类型的深度特征融合,提高现有行人再识别网络的精度。融合多类型深度特征的目的是为了应对目前行人再识别中的难点,如光照变化、遮挡、姿态变化等等。主要研究成果包含如下:（1）在深度学习的框架下研究行人外观特征和属性特征的融合机制,针对现有融合属性的行人再识别网络特征判别力不足的问题,在深度学习框架下提出一种基于困难样本三元组损失的多任务行人再识别（TriHard loss based multi-task pers... 

【文章来源】：江南大学江苏省 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】：
摘要
Abstract
第一章 绪论
    1.1 课题研究背景及意义
    1.2 行人再识别研究现状
        1.2.1 基于手工特征的行人再识别方法
        1.2.2 基于深度学习的行人再识别方法
    1.3 行人再识别面临的挑战
    1.4 论文的研究内容及结构安排
第二章 行人再识别相关工作
    2.1 行人再识别系统框架
    2.2 深度学习行人再识别基准
        2.3.1 常用主干网络
        2.3.2 常用网络损失
    2.3 常用数据集
        2.2.1 Market-1501
        2.2.2 Duke MTMC-reID
        2.2.3CUHK03
    2.4 评价指标
        2.4.1 CMC
        2.4.2 mAP
    2.5 本章小结
第三章 基于困难样本三元组损失的多任务行人再识别
    3.1 引言
    3.2 行人的属性
    3.3 困难样本三元组损失的多任务行人再识别
        3.3.1 问题描述
        3.3.2 Softmax损失、三元组损失与Tri Hard损失
        3.3.3 困难样本三元组及其选择
        3.3.4 网络结构及损失函数
    3.4 实验结果及分析
        3.4.1 数据集的属性标签
        3.4.2 评价指标及实验配置
        3.4.3 属性识别结果
        3.4.4 行人再识别结果
    3.5 本章小结
第四章 通道互注意机制下的部位对齐行人再识别
    4.1 引言
    4.2 通道互注意机制下的部位对齐行人再识别
        4.2.1 部位特征通道特性分析
        4.2.2 网络框架
        4.2.3 通道互注意模块
    4.3 实验结果及分析
        4.3.1 数据集与评估标准
        4.3.2 实验配置及参数
        4.3.3 实验分析
        4.3.4 方法对比
    4.4 本章小结
第五章 引入语义部位约束的行人再识别
    5.1 引言
    5.2 引入语义部位约束的行人再识别网络
        5.2.1 网络结构
        5.2.2 语义部位标签
        5.2.3 特征提取
        5.2.4 网络约束
    5.3 实验结果及分析
        5.3.1 数据集与评估标准
        5.3.2 实验配置及参数
        5.3.3 实验分析
        5.3.4 方法对比
    5.4 本章小结
第六章 主要结论与展望
    6.1 主要结论
    6.2 展望
致谢
参考文献
附录 :作者在攻读硕士学位期间发表的论文


【参考文献】：
期刊论文
[1]基于双向参考集矩阵度量学习的行人再识别[J]. 陈莹,许潇月.  电子与信息学报. 2020(02)
[2]基于行人属性分级识别的行人再识别[J]. 陈鸿昶,吴彦丞,李邵梅,高超.  电子与信息学报. 2019(09)
[3]基于深度学习的行人重识别研究进展[J]. 罗浩,姜伟,范星,张思朋.  自动化学报. 2019(11)
[4]基于行人属性先验分布的行人再识别[J]. 吴彦丞,陈鸿昶,李邵梅,高超.  自动化学报. 2019(05)
[5]一种基于等距度量学习策略的行人重识别改进算法[J]. 周智恒,刘楷怡,黄俊楚,陈增群.  电子与信息学报. 2019(02)
[6]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)



本文编号：3040487