多摄像头网络中行人再识别算法研究

发布时间：2023-09-14 00:19

　　随着视频监控技术的飞速发展,多个摄像机组成的大范围智能视频监控的应用越来越广,如何在无重叠区域的多摄像头间准确地识别跟踪指定目标已成为行业的迫切需求与巨大挑战。多摄像头网络中行人再识别的研究由于难度大,但社会需求迫切,目前已经成为一个研究热点问题。在监控网络多个相机视域中行走通过的行人,会受到外界各种复杂环境干扰因素的影响,尤其是相似目标的干扰,以及行人姿态变化的多样性。如何提高智能监控网络中行人再识别的准确性成为很大的难点问题。为此,本文采用残差网络模型获取目标样本和测试样本的深度特征,以提高特征的鲁棒性。同时,基于多置信度再排序方法使越相似的样本排名越靠前,使匹配结果更精确,进而提高行人再识别的准确性。首先对目标样本及测试样本获取其描述特征;然后使用度量学习方法得到目标样本与测试样本特征间相似性的初始排序。再排序时,首先使用互相似判别原理,删除初始排序中错误的匹配,然后再基于置信区间与置信权值将初始排序中靠后的真正匹配拉回列表前端,并使用Jaccard距离对相似性进行重排序,最后将目标样本与测试样本、聚类中心与测试样本再排序后的结果进行相似性融合。算法在Market-1 501、C...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 行人再识别研究背景和意义
    1.2 行人再识别发展现状
        1.2.1 行人特征表达
        1.2.2 相似性度量
    1.3 行人再识别面临的挑战
    1.4 论文的章节安排
2 行人再识别相关技术
    2.1 前言
    2.2 LOMO特征提取
        2.2.1 HSV颜色直方图
        2.2.2 SILTP纹理特征
        2.2.3 LOMO特征
    2.3 相似性度量学习方法
        2.3.1 KISSME度量学习
        2.3.2 XQDA度量学习
    2.4 性能评价标准
    2.5 常用数据库
    2.6 本章小结
3 基于卷积神经网络的行人再识别
    3.1 前言
    3.2 卷积神经网络的介绍
        3.2.1 卷积神经网络的基本层
        3.2.2 卷积神经网络正反向传播
    3.3 Res Net网络模型
        3.3.1 Res Net结构分析
        3.3.2 Res Net模型特点
    3.4 实验与分析
        3.4.1 不同相似性匹配方法的比较
        3.4.2 Res Net50网络特征与LOMO特征的比较
    3.5 本章小结
4 基于多置信度重排序的行人再识别
    4.1 前言
    4.2 互相似判别原理
    4.3 置信区间与置信权值
        4.3.1 候选目标的聚类
        4.3.2 置信区间的建立
        4.3.3 置信权值的设置
    4.4 相似性重排序
        4.4.1 Jaccard距离
        4.4.2 相似性融合
    4.5 实验与分析
        4.5.1 Market-1501 数据集实验与分析
        4.5.2 CUHK03数据集实验与分析
        4.5.3 MARS数据集实验与分析
    4.6 本章小结
5 总结与展望
    5.1 工作总结
    5.2 展望
致谢
参考文献
攻读硕士学位期间发表论文、科研及获奖情况
    已发表论文
    参与的科研与教学工作
    获奖情况



本文编号：3846183