基于局部特征与空间变换的复杂场景行人再识别

发布时间：2023-04-23 14:40

　　利用深度学习对图像中的行人进行再识别的研究工作已经取得了一定发展。将行人再识别技术应用在真实场景时,常常会遇到摄像视角变化,背景复杂造成遮挡以及光照条件不理想等情况。这些真实存在的复杂应用场景是当前行人再识别技术面临的重要挑战,也是未来项目落地应用的关键。本文针对复杂场景中最常见的遮挡情况以及光照条件不理想这两个干扰提出了相应的行人再识别创新算法:针对存在遮挡的复杂场景,本文提出一种基于随机遮挡的局部行人再识别算法。该算法利用深浅层网络不同大小的感受野学习的特征差异,设计了一条深层遮挡支路和一条浅层遮挡支路。两条支路中的遮挡块随机出现在行人图中不同区域,它能够学习不同尺度的局部特征。两条支路并行操作,在最后通过加权融合。在主干网络学习全局特征的基础上,深层网络的大尺度局部特征,与浅层网络的更细腻的局部特征提供了更加丰富的信息,有效缓解了遮挡带来的干扰影响。网络中引入的channel-spatial注意力机制对算法进行优化。该算法具有更强的鲁棒性和学习能力,在遮挡场景中依然保持优秀的识别率。对于光照条件不理想的场景本文提出了基于空间变换的跨模态行人再识别研究。该算法利用光照理想时的彩色图...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 引言
    1.2 课题研究的背景和意义
    1.3 行人再识别研究现状
    1.4 行人再识别面临的问题与挑战
    1.5 本文的主要工作及创新点
第二章 行人再识别概述
    2.1 引言
    2.2 基于深度学习的行人再识别
    2.3 基于深度学习的局部行人再识别
    2.4 跨模态行人再识别
    2.5 本章总结
第三章 基于随机遮挡的局部行人再识别
    3.1 引言
    3.2 公共数据集概述
        3.2.1 Market1501 数据集
        3.2.2 Duke MTMC-re ID数据集
        3.2.3 CUHK03数据集
        3.2.4 Occluded-Duke MTMC数据集
    3.3 网络基础框架和遮挡支路
        3.3.1 Res Net-50 网络框架
        3.3.2 深浅层遮挡分支
    3.4 注意力机制
        3.4.1 Hard Attention与 Soft Attention
        3.4.2 C-S Attention模块
    3.5 实验结果与分析
        3.5.1 评判标准
        3.5.2 实验细节
        3.5.3 实验结果的比较
        3.5.4 不同结构基线的实验结果比较
        3.5.5 注意力模块对实验结果影响
        3.5.6 遮挡块参数r对实验性能影响的比较
    3.6 本章总结
第四章 基于空间变换的跨模态行人再识别
    4.1 引言
    4.2 跨模态行人公共数据集概述
        4.2.1 SYSU-MM01 数据集
        4.2.2 RegDB数据集
    4.3 设计目的与网络主体框架
    4.4 STN网络与行人再识别任务
    4.5 实验测试与结果分析
        4.5.1 实验细节
        4.5.2 实验结果与最新研究的比较
        4.5.3 STN模块不同设计对网络识别效果的影响
    4.6 本章总结
第五章 总结与展望
    5.1 本文工作总结
    5.2 未来工作展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3799913