行人检测与再识别为一体的行人搜索算法

发布时间：2021-04-24 15:29

　　随着计算机视觉和人工智能技术的快速发展,基于行人检测与再识别的行人搜索算法成为目前研究的热点。行人搜索可以视为行人再识别的延伸问题,它涉及到行人检测与行人再识别两个过程。目前,多数行人再识别算法只适用于经过人工裁剪后的图片,无法直接应用于真实场景;此外,在行人搜索过程中,行人检测网络得到结果的好坏,会对后续行人再识别造成较大影响;同时,错检、漏检、行人定位框不够精确等情况,都会大大降低后续行人再识别的精度。因此,如何将行人检测与再识别有机结合,实现端到端的行人搜索是一个具有挑战性的问题。本文从已有的行人搜索算法入手,针对已有算法中遇到的困难和存在的不足,从行人边框的选取、相似性距离函数的设计和中心损失函数的改进等角度,对行人检测与再识别有机结合进行了探讨。论文的主要工作和研究成果体现如下:1.针对现有的行人搜索算法在行人检测过程中,行人定位框不够精确,且在行人再识别时,采用余弦距离来进行相似度比较,无法全面衡量行人特征向量的相似性等不足。本文将行人检测与再识别两模块融为一体,提出了一种基于改进的Faster R-CNN的行人搜索算法。算法采用对边框进行迭代回归的方法,改进原Faster... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.0 引言
    1.1 行人检测与再识别的行人搜索技术的背景和意义
    1.2 行人检测与再识别的行人搜索技术的研究现状
    1.3 本文的主要内容和结构框架
    1.4 本章小结
第2章 行人搜索理论概述
    2.0 引言
    2.1 卷积神经网络的基本原理
        2.1.1 人工神经网络
        2.1.2 卷积神经网络与深度学习
    2.2 Faster R-CNN的基本原理
    2.3 行人搜索算法
        2.3.1 结合行人群体共性与行人个体唯一性的行人搜索算法
        2.3.2 基于Faster R-CNN和在线实例匹配法的行人搜索算方法
        2.3.3 基于长短时间记忆网络和注意力机制的行人搜索算方法
    2.4 本章小结
第3章 Faster R-CNN行人检测与再识别为一体的行人搜索算法
    3.0 引言
    3.1 算法原理及实现
        3.1.1 混合损失函数
        3.1.2 混合相似性距离函数
        3.1.3 迭代型边框回归网络
        3.1.4 算法的实现步骤
    3.2 实验结果及分析
        3.2.1 边框回归迭代次数确定
        3.2.2 混合相似性函数系数的确定
        3.2.3 中心损失函数的权重参数的确定
        3.2.4 性能对比实验
        3.2.5 待搜索行人图片数量对精度的影响
    3.3 本章小结
第4章 基于注意力机制的行人搜索算法
    4.0 引言
    4.1 算法原理及实现
        4.1.1 中心损失函数与边缘损失函数
        4.1.2 注意力机制网络
        4.1.3 算法的实现步骤
    4.2 实验结果及分析
        4.2.1 中心损失函数与边缘损失函数权重的确定
        4.2.2 单独训练与联合训练行人检测与再识别模块对精度的影响
    4.3 本章小结
第5章 总结与展望
    5.0 总结
    5.1 展望
致谢
参考文献
附录


【参考文献】：
期刊论文
[1]基于深度学习模型的行人检测研究与仿真[J]. 曾敏,周益龙.  南京邮电大学学报(自然科学版). 2015(06)
[2]基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 赵志宏,杨绍普,马增强.  系统仿真学报. 2010(03)



本文编号：3157608