融合时空信息的跨摄像头车辆再识别方法研究

发布时间：2021-06-15 16:25

　　现代城市中交通监控摄像头无处不在,迫切需要对海量视频进行智能分析。其中,车辆再识别（Re-identification）和追踪（Tracking）更是成为了计算机视觉领域的研究热点。车辆再识别是指从视域不重叠的多个摄像头中识别出身份一致的车辆;同时,它也是实现跨摄像头车辆追踪的基础。由于车辆移动造成的遮挡和车辆外观的相似性,使得仅靠车牌或外观特征难以稳定地区分车辆身份,并影响后续的跨摄像头身份关联。为此,本文重点探索如何在车辆再识别和追踪任务中融合时空关系等辅助信息,以提升再识别中身份检索的准确率和追踪任务中身份关联的稳定性。论文工作对智能交通系统和智慧城市建设有重要的意义和应用价值。本文首先系统分析了车辆再识别技术和车辆跨摄像头追踪技术的研究进展和主要研究思路。在此基础上,提出了融合车辆外观特征和车辆时空信息的再识别新方法。接着,通过车辆轨迹关联实现跨摄像头的车辆追踪。最后,利用公开数据集和校园监控数据进行了评估。本文主要工作与贡献概述如下:1.提出一个基于轨迹聚类的再识别模型。该模型具有两个分支,分别利用车辆图像对之间的视觉相似度和时空信息:视觉分支采用深度卷积网络Res Net5... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

监控视频分析框架示意图

重庆邮电大学硕士学位论文第1章绪论3行物体分类以期获得物体类别等语义信息，另外再综合多帧对某个目标进行物体追踪获得其在单摄像头视域中的运动轨迹；对单摄像头场景理解而言，基于物体追踪可以提取特定目标的多帧外观特征，而这一特征显然比单帧特征具备更丰富的信息量；其次，综合物体追踪和物体分类结果能够在单摄像头场景中提取到该视域内的事件检测结果，并为后续分析提供支撑。随后在多摄像头综合分析中，再识别任务能够对目标进行稳定身份关联，而跨摄像头追踪能够还原出特定目标在监控网络中的移动轨迹，从而实现更高层级的语义分析。视频智能分析的分层处理流程如图1.2所示。其中重要的子系统包括目标检测、单视域物体追踪、物体再识别和物体跨摄像头追踪这四个部分，它们保证了感兴趣物体(ObjectofInterest)在监控网络中的持续追踪和行为理解。图1.2监控视频分层处理模型总体来看，监控网络中的视频智能分析需要克服硬件差异和现实条件的综合影响，其处理流程可分为单摄像头分析和多摄像头综合两个部分，单视域内处理主要有物体检测和物体追踪两项关键技术，在跨摄像头综合这个部分则有物体再识别和跨摄像头追踪的具体挑战。

点中。更进一步来看，作为行人再识别技术的外延，车辆再识别与行人再识别能够统一到这样的一个处理逻辑中：给定一个查询图片和一个由多个不同身份的物体图片组成的候选集，再识别算法需要决定候选集中的哪一组图片中与查询图片是同一个物体[5]。另外，从视频处理的整体角度来看，如图1.2所示，再识别任务可以作为单摄像头目标检测和追踪的后续任务，其输入是从图像中进行目标检测得到的感兴趣物体图像区域；输出则是根据物体外观特征和其他附加信息得到的候选集排序列表，相似度高的物体排序在前，反之靠后，具体过程可参看图1.3。图中“查询”列表示用于检索的物体图像，而后续的“匹配”列表表示算法认为与查询样本为同一身份的候选集样本，而这个排序列表中匹配到的样本则有可能存在并非同一身份的错误匹配。(a)行人再识别检索示意图(b)车辆再识别检索示意图图1.3再识别任务中检索匹配逻辑示意图

【参考文献】：
博士论文
[1]城市视频监控网络中车辆搜索关键技术研究[D]. 刘鑫辰.北京邮电大学 2018



本文编号：3231393