基于时空信息重排序的行人再辨识算法研究

发布时间：2021-10-13 17:00

　　近年来,行人再辨识因为其在公共安全领域的重要性而受到了越来越多的关注,它的目的是判断视野不重叠的不同摄像头采集到的行人图像是否属于同一个身份。然而,由于不同摄像头之间诸多变量,例如人体姿态,摄像头角度或者光照的变化,使得行人再辨识问题仍然没有得到解决。首先,在目前已有的行人再辨识工作中,大部分都假定行人图像是对齐了的,因此将两张图像进行特征提取后直接进行距离的计算。然而事实上由于自动检测算法的问题,行人图像之间并不是完全对齐的。而特征对齐在行人再辨识任务中其实有着非常重要的地位,完成特征对齐后能使得识别的准确率得到提高。其次,目前的绝大部分针对行人再辨识任务设计的方法都将计算得到的初始排序列表作为最终的最优结果,这显然是有些欠考虑的。一般来说,初始列表都是次优的,其中还有一些潜在的信息可以挖掘出来进一步的优化初始排序列表,从而得到一个更加精确的结果。本文主要是基于深度学习的特征对齐方法以及重排序方法进行了研究,主要完成的工作如下:（1）本文引入了姿态估计模型来检测关键点,通过检测到的关键点分割出人体的局部部分,分别利用局部部分进行训练,学习到局部的有判别性的特征,然后将局部特征连接起来... 

【文章来源】：北京交通大学北京市 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】：
致谢
摘要
ABSTRACT
1 引言
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 手工行人再辨识系统
        1.2.2 基于深度学习的行人再辨识系统
        1.2.3 重排序算法
    1.3 论文的主要工作和研究内容
    1.4 论文的组织结构
2 行人再辨识的理论概述
    2.1 行人再辨识与行人检索的关系
    2.2 行人再辨识数据库
        2.2.1 基于静态图像的数据库
        2.2.2 基于视频序列的数据库
    2.3 基于深度学习的行人再辨识方法存在的关键问题
    2.4 深度卷积神经网络的基本概念
        2.4.1 卷积与池化操作
        2.4.2 局部连接与权值共享
        2.4.3 损失函数和激活函数
    2.5 一些经典的深度学习网络模型
        2.5.1 AlexNet
        2.5.2 VGG
        2.5.4 ResNet
    2.6 本章小结
3 基于局部特征对齐的行人再辨识网络
    3.1 基于局部特征对齐的行人再辨识网络
    3.2 全局分支
        3.2.1 全局分支的分类子网络
        3.2.2 全局分支的验证子网络
    3.3 局部分支
    3.4 实验设置与结果
        3.4.1 数据集
        3.4.2 基本网络
        3.4.3 训练设置
        3.4.4 实验结果
    3.5 本章小结
4 基于时空信息的重排序方法
    4.1 基于时空信息的重排序算法
        4.1.1 问题定义
        4.1.2 时空信息和时空转移概率
        4.1.3 最终距离
    4.2 实验设置与结果
        4.2.1 数据集
        4.2.2 评估指标和特征
        4.2.3 实验结果
    4.3 本章小结
5 总结与展望
    5.1 本文总结
    5.2 未来工作与展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集



本文编号：3435049