基于分布式视觉的行人重识别关键技术研究

发布时间：2022-01-28 00:31

　　随着自动驾驶汽车的安全问题日趋严峻,车路协同感知系统受到了学术界的广泛关注。行人重识别技术作为车路协同感知系统的核心技术之一也因此备受关注。现有基于分布式视觉的行人重识别技术大多基于监督学习框架,存在着跨域性能严重下降、数据制作成本高、过度依赖训练集等问题,而无监督行人重识别技术的出现为弥补上述不足提供了一个新的解决方案。针对目前的无监督行人重识别技术存在着准确率低、数据利用不充分、实时性差等问题,本文提出了一个改进的无监督行人重识别框架并开展实验研究。针对车路协同场景中行人重识别技术面临的准确率较低和数据利用不充分的问题,提出了一个改进的无监督行人重识别框架。为提高视觉分类器的初始准确率,对视觉分类器从特征提取、度量学习、行人匹配三方面分别进行了改进,提出了一个改进的视觉分类器模型。为改善数据信息挖掘不足的问题,对数据信息进行深入分析,应用摄像头编号和拍摄时间建立多相机拓扑估计模型,为视觉分类器提供语义信息,增强视觉分类器的判别能力。最后,为改善数据利用不充分问题,应用排序结果,建立基于特征分层融合的渐进优化网络,使得视觉分类器可以实现自我优化。通过实验,验证了所提方法的有效性。针对... 

【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

行人重识别场景示意图

不同随机a)b)

哈尔滨工业大学工学硕士学位论文-28-评分融合成最终评分。之所以提出这样的策略，原因如图3-6所示，我们发现不同残差块提取到的行人特征是不同的，其关注点也是不一致的，例如前两组图像，残差块三所提取的特征更关注其中的行人，而残差块四则并没有高亮行人区域。像残差网络这样深层的卷积神经网络，可以为我们提供了不同深度的特征信息，而丰富的特征信息对于视觉分类器至关重要。因而，我们提出了特征分层融合策略，使得用于相似度匹配的深度特征更加全面，增强判别可靠性，减轻特征提取过程中所带来的信息丢失问题。图3-6不同残差块提取的特征加入特征分层融合策略的视觉分类器结构如图3-7所示，我们将图中残差块二、残差块三及残差块四所输出的不同深度不同尺寸的深度特征信息分别提取出来，传递给距离度量层分别进行相似度判别，根据线性加权系数（如公式（3-18）所示）输出最终判别结果。24iiiScoreσS==∑(3-18)其中，iσ代表第i层的加权系数，iS代表第i层的相似度评分，Score就是该图像最终的相似度评分。残差块三残差块四行人图像


本文编号：3613355