基于多核学习的无重叠视域多摄像机行人再识别问题研究
发布时间：2019-10-14 18:14
【摘要】：近年来,随着智能视频监控技术的发展,无重叠视域多摄像机行人再识别问题成为了该领域的一个研究热点。该问题主要解决的任务是：某个被摄像机捕捉到的特定行人,当其在另一具有无重叠视域的摄像机中再次出现时,监控系统能够自动地识别标记出该行人。此问题的解决主要存在以下几个难点：光照变化的干扰,时空信息的缺失以及行人姿态的多样性。本文提出了一种基于不同摄像机下行人外表多种特征建模的方法来解决行人再识别问题。论文的主要工作及贡献集中在下面几个方面：1.在针对不同摄像机间建立关系模型方面,提出了松弛边界分量分析(Relaxed Margin Components Analysis, RMCA)距离测度学习方法。结合单帧行人库以及多帧行人库中样本点周围的异类样本点远多于同类样本点的数据分布情况,在最大边界近邻(Large Margin Nearest Neighbors, LMNN)算法的基础上,重新定义了“边界”函数使之能够根据数据分布灵活可调。算法能够在仅使用简单颜色特征的条件下具有良好的再识别效果,并且收敛速度快。2.提出一种基于核映射的松弛边界分量分析(Kernel RMCA, KRMCA)算法。考虑到在高维空间中样本数据更为可分,本文借助核函数(Kernel Function)将行人样本特征映射入高维空间再使用RMCA算法进行建模。最后,针对几种常用的核函数进行分析讨论,得出最为适合本文所使用行人特征表达的JS(Jensen-Shannon)核函数。实验结果表明,与RMCA算法相比,KRMCA算法进一步提升了再识别的准确率。3.提出一种多特征结合的行人再识别方法。为了实现不同特征贡献度的自适应选择,结合多核学习(Multiple Kernels Learning, MKL)的思想,进一步将KRMCA算法改造为多核松弛边界分量分析算法(Multiple Kernels RMCA, MKRMCA)。之后在MKRMCA算法的基础上提出一种新颖的核宽度参数选择算法,能够实现核宽度参数的自适应生成。实验结果表明,该方法能够进一步提升了再识别的准确率,特别是CMC中前几位排名的占有率。
【图文】：
者识别出来。逡逑与基于重叠视域多摄像机或者单摄像机行人再识别问题不同的是，无重叠视逡逑域多摄像机行人再识别问题具有一定的特殊性。如图１．１所示，上面一行为某一视逡逑域摄像机下的行人样本图像，下面一行为他们在另一无重叠视域摄像化下的样本逡逑图像。显然，由图可知，在不可控的环境中，由于限制条件的不充分Ｗ及图像细逡逑节的缺失，鲁棒性（Ｒｏｂｕｓｔ）的生物测度（Ｂｉｏｍｅｔｒｉｃ）不能被有效地提取出来，从逡逑而使得基于经典的人脸识别（Ｆａｃｅ邋Ｒｅｃｏｇｎｉｔｉｏｎ）的行人再识别方法难Ｗ付诸实际。逡逑此外，由于种种客观因素，使得该项研究的困难进一步加大，，这些困难主要集中逡逑于Ｗ下几个方面：逡逑１）场景光线的亮度变化。同一行人目标在不同时间段、不同场景的光照是不逡逑同的，那么必然会影响对这些行人目标的特征采集。在强光条件下，会导致行人逡逑图像的过曝，而在低光强的环境下又会带来很多噪点，从而很大的影响行人的成逡逑像质量；逡逑２逡逑
一大研究趋势。逡逑从宏观上来说，整个系统大致可分为两大部分，即训练部分和测试部分。如逡逑图２．１所示，先将两个摄像头中采集到的行人图像作为训练集，通过一定的建模方逡逑法得到某种模型，之后将这两个摄像头采集到的测试集送入该模型，通过排序比逡逑较得出再识别结果。注意，此处的测试集是由与训练集完全不同的行人图像组成。逡逑［讲膝逦１逦「摄像头Ａ逦测试Ｉ逡逑Ｉ幽邋；！媝邋＊逦Ｊ逡逑ｉ逦ｍ逦ｉ逦ｉ逦ｉ邋ｆW佽］Ｉ逡逑Ｉ摄像头Ａ邋Ｉ画＾回Ｉ■？WU危慑义希樱慑危慑澹掊问涑鍪侗鸾峁危慑义稀。礤危慑义希簧阆裢峰澹洛危慑危慑危慑义希慑危慑危缮阆裢罚洛危″义贤迹玻被诮５男腥嗽偈侗鹣低呈疽馔煎义希疲椋珏澹玻卞迳剑酰螅簦颍幔簦椋铮铄澹铮驽澹恚铮洌澹欤椋睿珏澹猓幔螅澹溴澹穑澹颍螅铮铄澹颍澹椋洌澹睿簦椋妫椋悖幔簦椋铮铄澹螅螅簦澹礤义纤淙唬５哪康木褪俏耸迪滞桓鋈吮徊煌阆窕杉耐枷衲芄痪】慑义夏艿叵嗨疲煌送枷裰涞牟钜炀×康卮螅庥牖餮啊⒛Ｊ绞侗鹬械挠绣义霞喽椒掷嗨惴ǖ乃枷肭Х治呛稀Ｈ舭驯徊煌阆窕杉耐桓鋈说耐枷窨醋鐾义侠嘌荆ň哂型昵┑难荆煌说耐枷窨醋鲆炖嘌荆ň哂胁煌昵┑腻义涎荆敲淳涂桑捉柚掷嗥鱋喗醒盗贰Ｗ钪帐迪纸炖嘌炯涞哪持志嗬敕佩义洗螅嘌炯涞哪持志嗬刖×克跣 ４舜νü盗芳盗烦隼吹姆掷嗥骷村义系燃塾诖⒌哪Ｐ汀ｅ义希峰义
本文编号：2549387
【图文】：
者识别出来。逡逑与基于重叠视域多摄像机或者单摄像机行人再识别问题不同的是，无重叠视逡逑域多摄像机行人再识别问题具有一定的特殊性。如图１．１所示，上面一行为某一视逡逑域摄像机下的行人样本图像，下面一行为他们在另一无重叠视域摄像化下的样本逡逑图像。显然，由图可知，在不可控的环境中，由于限制条件的不充分Ｗ及图像细逡逑节的缺失，鲁棒性（Ｒｏｂｕｓｔ）的生物测度（Ｂｉｏｍｅｔｒｉｃ）不能被有效地提取出来，从逡逑而使得基于经典的人脸识别（Ｆａｃｅ邋Ｒｅｃｏｇｎｉｔｉｏｎ）的行人再识别方法难Ｗ付诸实际。逡逑此外，由于种种客观因素，使得该项研究的困难进一步加大，，这些困难主要集中逡逑于Ｗ下几个方面：逡逑１）场景光线的亮度变化。同一行人目标在不同时间段、不同场景的光照是不逡逑同的，那么必然会影响对这些行人目标的特征采集。在强光条件下，会导致行人逡逑图像的过曝，而在低光强的环境下又会带来很多噪点，从而很大的影响行人的成逡逑像质量；逡逑２逡逑
一大研究趋势。逡逑从宏观上来说，整个系统大致可分为两大部分，即训练部分和测试部分。如逡逑图２．１所示，先将两个摄像头中采集到的行人图像作为训练集，通过一定的建模方逡逑法得到某种模型，之后将这两个摄像头采集到的测试集送入该模型，通过排序比逡逑较得出再识别结果。注意，此处的测试集是由与训练集完全不同的行人图像组成。逡逑［讲膝逦１逦「摄像头Ａ逦测试Ｉ逡逑Ｉ幽邋；！媝邋＊逦Ｊ逡逑ｉ逦ｍ逦ｉ逦ｉ逦ｉ邋ｆW佽］Ｉ逡逑Ｉ摄像头Ａ邋Ｉ画＾回Ｉ■？WU危慑义希樱慑危慑澹掊问涑鍪侗鸾峁危慑义稀。礤危慑义希簧阆裢峰澹洛危慑危慑危慑义希慑危慑危缮阆裢罚洛危″义贤迹玻被诮５男腥嗽偈侗鹣低呈疽馔煎义希疲椋珏澹玻卞迳剑酰螅簦颍幔簦椋铮铄澹铮驽澹恚铮洌澹欤椋睿珏澹猓幔螅澹溴澹穑澹颍螅铮铄澹颍澹椋洌澹睿簦椋妫椋悖幔簦椋铮铄澹螅螅簦澹礤义纤淙唬５哪康木褪俏耸迪滞桓鋈吮徊煌阆窕杉耐枷衲芄痪】慑义夏艿叵嗨疲煌送枷裰涞牟钜炀×康卮螅庥牖餮啊⒛Ｊ绞侗鹬械挠绣义霞喽椒掷嗨惴ǖ乃枷肭Х治呛稀Ｈ舭驯徊煌阆窕杉耐桓鋈说耐枷窨醋鐾义侠嘌荆ň哂型昵┑难荆煌说耐枷窨醋鲆炖嘌荆ň哂胁煌昵┑腻义涎荆敲淳涂桑捉柚掷嗥鱋喗醒盗贰Ｗ钪帐迪纸炖嘌炯涞哪持志嗬敕佩义洗螅嘌炯涞哪持志嗬刖×克跣 ４舜νü盗芳盗烦隼吹姆掷嗥骷村义系燃塾诖⒌哪Ｐ汀ｅ义希峰义
本文编号：2549387
本文链接：https://www.wllwen.com/kejilunwen/wltx/2549387.html
