行人再辨识关键技术

发布时间：2017-04-12 01:14

  本文关键词：行人再辨识关键技术，，由笔耕文化传播整理发布。

【摘要】：公共安全已成为人们最为关注的社会问题之一,监控摄像头被广泛应用于学校、商场、地铁、体育场、公园等人群密度较大的公共场所。因此,视频监控在公共安全中扮演着举足轻重的地位,它既可以用于公共安全事件的预防、应急、记录,还便于事后进行快速回溯、识别和搜索,进而成为平安城市建设中不可或缺的重要一环,具有极为现实的意义。行人再辨识是视频监控领域中一个具有挑战性的问题,其主要任务是跨摄像头中的行人的搜索与识别。本文提出了两种行人再辨识新方法,主要工作包括： 1.将bagging的集成学习方法引入大间隔最近邻法(LMNN)中,提出了基于bagging-LMNN的行人再辨识算法。度量学习常被用于拟合摄像头之间的变化,然而传统的度量学习仅在某些样本及其特征空间上学习一个度量模型,很难拟合多种外观的变化。在本文中,我们将bagging的集成学习方法引入LMNN,提出了基于bagging的大间隔最近邻法。通过在子空间上学习并融合多个度量模型提高了行人再辨识的性能。本文提出了两种bagging策略,分别为基于样本bagging的大间隔最近邻法和基于特征bagging的大间隔最近邻法。在三个数据库上的实验表明本文的方法可以取得比现有代表性算法更好的性能。 2.将度量矩阵的迹范数(Trace Norm)与大间隔最近邻法结合起来,提出了正则化的大间隔最近邻法(LMNN-T)。当前的度量学习算法在拟合不同摄像头间行人外观差异的过程中,经常陷入过拟合。为了缓解过拟合的问题,本文将度量矩阵的迹范数(Trace Norm)与大间隔最近邻法(LMNN)结合起来,提出了正则化的大间隔最近邻法(LMNN-T)。迹范数可以使得度量矩阵具有低的秩,从而缓解过拟合问题。同时,为了避免在降维过程中丢失关键的精细特征,我们将基于特征bagging的集成学习方法与其结合以维持图像特征的辨识度。在两个数据库上的实验表明本文的方法取得了比现有代表性算法更好的性能。
【关键词】：行人再辨识 度量学习 bagging 迹范数
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN948.6;D63
【目录】：

• 摘要4-5
• ABSTRACT5-7
• 目录7-9
• 第一章 绪论9-17
• 1.1 课题研究背景和意义9-10
• 1.2 国内外研究现状10-13
• 1.2.1 现有再辨识方法10-12
• 1.2.2 现有再辨识方法的不足与挑战12-13
• 1.3 本文的主要工作与安排13-17
• 1.3.1 主要研究内容13-14
• 1.3.2 论文的结构安排14-17
• 第二章 行人再辨识系统17-27
• 2.1 引言17
• 2.2 前景提取17-19
• 2.2.1 线性背景模型18
• 2.2.2 混合高斯背景模型18-19
• 2.3 人体模型19-22
• 2.3.1 固定的人体模型20
• 2.3.2 自适应的人体模型20
• 2.3.3 学习的人体模型20-22
• 2.4 特征提取22-24
• 2.4.1 颜色特征22-23
• 2.4.2 LBP纹理特征23-24
• 2.5 小结24-27
• 第三章 基于bagging的度量学习方法27-41
• 3.1 引言27-28
• 3.2 基于bagging的大间隔最近邻方法28-33
• 3.2.1 大间隔最近邻算法28-29
• 3.2.2 基于样本bagging的大间隔最近邻法29-31
• 3.2.3 基于特征bagging的大间隔最近邻法31-33
• 3.3 实验结果33-40
• 3.3.1 数据库及实验设置33-34
• 3.3.2 特征提取34
• 3.3.3 参数选择34-37
• 3.3.4 实验结果与分析37-40
• 3.4 本章小结40-41
• 第四章 正则化的度量学习41-53
• 4.1 引言41-42
• 4.2 正则化的大间隔最近邻法42-47
• 4.2.1 正则化的大间隔最近邻法模型42-43
• 4.2.2 实验结果及分析43-47
• 4.3 更新近邻的大间隔最近邻法47-51
• 4.3.1 更新近邻的大间隔最近邻法47-50
• 4.3.2 实验结果及分析50-51
• 4.4 本章小结51-53
• 第五章 总结和展望53-57
• 5.1 总结53-54
• 5.2 展望54-57
• 参考文献57-61
• 致谢61-63
• 攻读硕士期间发表的学术论文63

【共引文献】

中国期刊全文数据库 前10条

1 潘希姣;;多子群粒子群集成神经网络[J];安徽建筑工业学院学报(自然科学版);2007年02期

2 李亭;杨敬锋;彭晓琴;陈志民;;基于最大似然法集成的黄曲条跳甲预警模型[J];安徽农业科学;2008年25期

3 时雷;虎晓红;席磊;段其国;;集成学习技术在农业中的应用[J];安徽农业科学;2008年26期

4 李文斌;刘椿年;钟宁;;基于两阶段集成学习的分类器集成[J];北京工业大学学报;2010年03期

5 蒋宗礼;徐学可;;一种基于集成学习与类指示器的文本分类方法[J];北京工业大学学报;2010年04期

6 李飞;高小榕;高上凯;;基于随机森林算法的高维脑电特征优选[J];北京生物医学工程;2007年04期

7 李勇,王建波;分类回归树中分裂法则的相合性质[J];北京师范大学学报(自然科学版);2002年01期

8 任杰;柳毅;金鑫;别荣芳;;基于数据挖掘的蔬菜图片病害自动分类[J];北京师范大学学报(自然科学版);2006年06期

9 ;A rough sets based pruning method for bagging ensemble[J];重庆邮电大学学报(自然科学版);2008年03期

10 胡峰;张杰;刘静;肖大伟;;一种基于Rough集的海量数据属性约简方法[J];重庆邮电大学学报(自然科学版);2009年04期

中国重要会议论文全文数据库 前10条

1 叶红云;倪志伟;陈恩红;;一种混合型集成学习演化决策树算法[A];2005年“数字安徽”博士科技论坛论文集[C];2005年

2 杜方键;杨宏晖;;K均值聚类优化集成学习[A];2011'中国西部声学学术交流会论文集[C];2011年

3 杜晓凤;丁友东;;FloatBag选择性神经网络集成及其在人脸检测中的应用[A];第十二届全国信号处理学术年会（CCSP-2005）论文集[C];2005年

4 陈华杰;韦巍;;一种基于元泛化的Bagged Boosting算法[A];2005中国控制与决策学术年会论文集（上）[C];2005年

5 ;Adaptive multi-LSSVR based soft sensing for cobalt oxalate synthesis process[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年

6 ;Multiple ANNs Combined Scheme for Fault Diagnosis of Power Transformers[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年

7 师凯;蔡延光;邹谷山;王涛;;蚁群算法及粒子群算法对比及在VRP中的应用[A];第二十四届中国控制会议论文集（下册）[C];2005年

8 刘峰;瞿俊;;基于聚类分析和神经网络的时间序列预测方法[A];2006年全国开放式分布与并行计算学术会议论文集（一）[C];2006年

9 曹东升;许青松;梁逸曾;陈宪;李洪东;;组合树的集合体和后向消除策略去分类P-糖蛋白化合物[A];第十届全国计算(机)化学学术会议论文摘要集[C];2009年

10 陈珊;李晓宁;梁逸曾;张志敏;;拉曼光谱的荧光背景扣除及其用于药物聚类分析[A];中国化学会第27届学术年会第09分会场摘要集[C];2010年

中国博士学位论文全文数据库 前10条

1 于化龙;基于DNA微阵列数据的癌症分类技术研究[D];哈尔滨工程大学;2010年

2 邓斌;B2C在线评论中的客户知识管理研究[D];电子科技大学;2010年

3 苏煜;基于SCF范式的在线P300脑机接口研究[D];浙江大学;2010年

4 杜方;复杂网络系统间相似性识别及其应用[D];浙江大学;2010年

5 甘良志;核学习算法与集成方法研究[D];浙江大学;2010年

6 闫中敏;Deep Web数据获取问题研究[D];山东大学;2010年

7 陈进;高光谱图像分类方法研究[D];国防科学技术大学;2010年

8 张翔;文本挖掘技术研究及其在综合风险信息网络中的应用[D];西北大学;2011年

9 王飞;入侵检测分类器设计及其融合技术研究[D];南京理工大学;2011年

10 王清;集成学习中若干关键问题的研究[D];复旦大学;2011年

中国硕士学位论文全文数据库 前10条

1 马冉冉;集成学习算法研究[D];山东科技大学;2010年

2 吕万里;中文文本分类技术研究[D];山东科技大学;2010年

3 朱耿峰;支持向量机在冲击地压预测模型中的应用研究[D];山东科技大学;2010年

4 石国强;基于规则的组合分类器的研究[D];郑州大学;2010年

5 陈松峰;利用PCA和AdaBoost建立基于贝叶斯的组合分类器[D];郑州大学;2010年

6 吴正娟;特征变换在组合分类中的应用研究[D];郑州大学;2010年

7 曹彦;基于支持向量机的特征选择及其集成方法的研究[D];郑州大学;2010年

8 周驰;数据流上概念漂移的检测和分类[D];郑州大学;2010年

9 朱新荣;径向基函数神经网络集成算法的研究及应用[D];大连理工大学;2010年

10 刘晓飞;基于相关反馈的图像检索研究[D];大连理工大学;2010年

  本文关键词：行人再辨识关键技术，由笔耕文化传播整理发布。

本文编号：300399