基于深度特征度量的行人重识别方法研究

发布时间：2021-04-04 01:04

　　近年来,视频监控在构建信息化、智能化的城镇建设中起着至关重要的作用,而行人重识别又是视频监控的重要研究内容。因此越来越多的研究者开始着力于研究行人重识别问题。行人重识别指在多摄像机监控系统中,辨别不同摄像机捕捉到的行人图片是否为同一个人,该应用一般运用在自动跟踪、检索犯罪嫌疑人等监控部门。但是在现实中捕捉到的行人图像一般存在图片模糊、背景干扰、行人姿态的不规律变化等问题,从而导致相同行人在不同摄像头下的外观有较大差异,这些问题给行人重识别带来了巨大的挑战。早期的行人重识别研究主要是借助传统特征提取方法（如颜色、外形、局部描述符）去学习行人的浅层不变性特征。随着深度学习方法在计算机视觉中逐渐成熟,研究者利用深度卷积神经网络去解决行人重识别。首先利用深度学习网络模型去学习行人的代表性特征向量,然后利用距离函数去度量行人特征向量的相似度,从而来判断行人图像是否为同一个人。因此,设计出一种有辨别力且稳定性的特征表示器去表示行人图像是行人重识别任务中最重要的部分。本文基于深度特征度量学习方法,对特征网络和损失函数提出改进方案,在高效解决该类问题的同时获得了当前已知的最好效果。主要研究内容如下:1... 

【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】：70 页

【学位级别】：硕士

【部分图文】：

行人重识别示意图

合肥工业大学学术硕士研究生学位论文7比较，候选图片的排序分数比较低则代表为不同行人类别，而候选图片的排序分数比较高则代表是相同身份类别。上述过程就是行人重识别的基本流程，可以简单且比较轻松的对查询图片的行人完成识别功能。图2.1行人重识别基本流程Fig2.1Basicprocessingofpersonre-identification为了更简单的介绍行人重识别，行人重识别最重要的两个步骤是特征表示和相似性度量，当前研究方法都把这两个步骤归划到同一个系统中。首先构造一个全新的网络模型，利用网络模型去提取行人的强辨别性和强代表性的特征向量，然后创建一个判别性强的度量损失函数计算特征向量之间的相似度。本文所研究的行人重识别也是侧重于特征表示和相似性度量两部分。2.3行人重识别基本方法随着行人重识别问题的不断深入研究，其技术也逐渐的形成了一套完善的体系。一般而言，研究人员主要从两个方面解决行人重识别问题：一个是特征表示学习，另一个是距离度量学习。对于特征表示学习，它分为传统方法提取特征和深度学习方法提取特征。研究人员主要提取行人图像的不变性特征或代表性的特征，以解决表征学习中的影响如：行人图像不对齐，姿势变化和遮挡干扰因素。在度量学习方面，致力于学习鲁棒的距离度量函数去测量行人的相似性，通过行人特征相似性度量，按照一定的规则排序，最终测出匹配的行人身份。因此，接下来重点说明特征表示和距离度量的研究方法。2.3.1基于特征提取的行人重识别方法I.传统方法提取行人特征基于特征提取的行人重识别主要关注如何获取具有较好辨别性和鲁棒性的特征表达器。算法特征提取器主要包括传统的手工提取特征以及目前主流的深度学

在传统方法中研究者们通过寻找图片的不变性特征如颜色特征和纹理特征等来对行人图像进行特征表示，或是利用对行人图片划分区域的方式去提取行人局部特征，然后融合局部特征和全局特征。Swain等人[31]最先提出使用颜色直方图去描述行人图像颜色特征。它主要使用一种直方图交集的技术，用于匹配网络模型和图像直方图。因为直方图可以更加直观的体现行人特征的差异，因此提取到的特征复杂度低、具有旋转和缩放不变性的特点另外，从颜色分量在行人图像中所占的比例来看，该方法也具有较好的识别效果。后来Cai等人[20]受自图2.2特征提取方法示意图[20]Fig2.2Illustrationofthefeatureextractionmethod[20]相似性的影响提出一种空间相关信息的HSV颜色特征。自相似性是视觉识别中的一个重要属性，它不是直接比较两个图像之间的行人图像特征描述子，而是测量图像与自身附近的相似度。在全局颜色上下文方法中，以两种不同的方式来模拟图像中图像模式的自相似性。具体方法如图2.2所示，密集提取局部颜色特征并聚类以形成颜色码本。最后，探讨了码本中颜色特征对颜色词的分配。来自相同视觉颜色词的颜色特征标有相同颜色。对于密码本中的每个颜色词，颜色自相似性的空间出现分布通过学习得到。Liao等人[32]设计了一种特征提取方法LOMO（localmaximaloccurrence），重点关注光照和视角问题。特征提取之前采用增强算法进行预处理，对处理后的图像，利用计算HSV颜色直方图来提取颜色特征，除了颜色描述之外，作者还采用了尺度不变局部三元图案（SILTP）的方法获得光照不变纹理描述，利用HSV和SILTP解决了图像变化问题；接下来使用滑动窗口去解决视角变化问题，以步长为5进行滑动，然后对移动后的每一个子窗口提取三个直方图，直方图的每个bin代表对应?

【参考文献】：
期刊论文
[1]基于多特征子空间与核学习的行人再识别[J]. 齐美彬,檀胜顺,王运侠,刘皓,蒋建国.  自动化学报. 2016(02)
[2]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[3]人体动作行为识别研究综述[J]. 李瑞峰,王亮亮,王珂.  模式识别与人工智能. 2014(01)
[4]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[5]强化学习研究综述[J]. 高阳,陈世福,陆鑫.  自动化学报. 2004(01)



本文编号：3117434