基于深度学习的行人重识别系统的研究与实现

发布时间：2024-02-14 05:37

　　行人重识别是指利用得到的行人图像检索出摄像头下具有相同身份的行人目标。行人重识别作为智能监控分析领域的关键技术之一,是在人脸识别失效的情况下利用行人整体特征查找到行人目标的有效方法。面对海量监控数据下人工查找效率低下的问题,应用行人重识别技术可以更加简单高效的找出要找寻的行人目标,对社会的公共安全建设有极大的帮助。但由于开放场景下背景、光线和行人姿态等因素会导致行人特征发生剧烈变化,使得如何获取到更加具有判别力的行人特征成为行人重识别技术的关键。随着深度学习方法在计算机视觉领域的大放光彩,基于深度学习的行人重识别方法已成为主流。因此,本文对基于深度学习技术的行人特征提取方法进行了深入研究,并在此基础上实现了行人重识别系统。本文的具体工作如下:1)在损失函数的研究中,为了使得同类样本之间更加聚簇,异类样本之间更加远离,把中心损失和三元组损失的思想融合,提出了Triplet-Center Loss用于行人重识别任务。相比于三元组损失等度量损失函数,该损失能够更加有效地改善特征的空间分布。针对分类损失Softmax Loss易导致模型过拟合问题,引入标签平滑策略来提高模型泛化能力。最后,把标...

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图5-1轻量级行人检测和再识别系统架构

基于深度学习的轻量级行人检测与重识别算法研究71第5章轻量级行人检测和重识别系统设计与实现5.1引言本章针对智能监控系统的应用需求，将行人检测与行人重识别技术相结合，构建了一种基于深度学习的轻量级行人检测和重识别系统。本系统主要采用基于深度学习的方法，检测图像或者视频中是否存在行....

图2-1卷积层工作过程

卷积层(Convolutionallayer)作为卷积神经网络网络中的核心组件,其主要作用是特征提取。卷积在数学里可以理解成一种运算,在深度学习中可以理解成是矩阵乘积运算。卷积层主要由多个卷积核组成,卷积核就可以理解成是一个二维矩阵或二维滑动窗口。其工作方式就是用每一个卷积核在....

图2-2三种池化操作示意图

池化层(Poolinglayer)也称为下采样层(Down-samplinglayer)是卷积神经网络中另一个重要组件。与卷积层不同,池化层没有卷积核这样的权重参数,但其操作与卷积层中的操作相同,都是通过滑动窗口实现。滑动窗口每滑动至一个新的位置,就对滑动窗口内的特征元素使用....

图2-3全连接层示意图

其中,a代表的是全连接层的输出结果;f代表的是激活函数;是权重参数,相当于图2-3中每条连线是一个权重边;X是上一层的输出;b是偏置量。由于全连接层的全连接的性质,这会大大地增加网络的参数,特别是一些早期的CNN网络有多个全连接层,网络会非常臃肿,需要很多计算资源,效率低下。所以....

本文编号：3897825