基于Faster-RCNN的行人再识别研究

发布时间：2020-08-06 12:30

【摘要】：近年来,行人再识别技术凭借其在公共安全等领域的巨大潜力,成为计算机视觉问题中一个研究热点。从本质上讲,行人再识别问题是一个图像检索问题。随着深度学习技术在图像处理领域的广泛应用,卷积神经网络及其衍生网络成为解决行人再识别问题的主流基础技术。针对数据无标签、行人特征区分性不足等在行人再识别过程中亟须解决的难点问题,研究者们提出许多优质的算法框架,并利用公共数据集进行算法验证,取得令人瞩目的成绩。本文在对深度学习技术相关理论梳理、总结和对行人再识别问题的发展历程、经典解决方案与面临的难点进行详述、分析的基础上,进行两方面的创新性研究:(1)针对渐进无监督模型应用在行人再识别过程中行人特征区分性不足问题,提出中心化聚类损失函数的解决方案;(2)对基于Faster-RCNN的行人再识别框架E2E进行改进,使用残差神经网络ResNet-50提取行人特征,优化模型训练过程。针对渐进无监督学习模型中采用Softmax损失函数训练后提取的行人特征可区分性不足的问题,本文设置距离惩罚项,提出了使用中心化聚类损失函数的方法。先利用k-means++生成聚类中心,在模型训练过程中,使相同身份的行人特征向聚类中心靠拢,缩小相同标签特征距离,增强了行人特征的可区分性。设计了对比实验,并将训练过程中行人特征可视化,证明所提出方法的有效性。针对常用行人再识别数据集与实际应用场景相差较大的问题,在端对端的行人再识别框架E2E中,采用ResNet-50替代模型E2E中的AlexNet,让更深层次的网络提取更细致的语义特征,利用区域提议网络产生目标候选的区域,通过多个损失函数联合训练,实现行人检测与再识别过程一体化。在实验中,本文提出的算法与多个传统行人检测算法以及原始E2E框架进行对比,证明了所提出算法的合理性和有效性。图42幅,表7个,参考文献63篇
【学位授予单位】：西安工程大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183
【图文】：

1 绪论集信息水平与大规模图像处理能力的低下，研究人员只能通过采集小规模的数据集，以及通过较为传统的算法思路，提取行人的简单特征，然后通过输入数据样本之间的相似性进行匹配[13]。这样的方法在处理行人再识别问题时，因为数据规模小，且算法不够鲁棒，往往难以取得良好的效果[14]。第二阶段，由于深度神经网络在计算机视觉领域的广泛应用，人们发现经过大量数据训练的网络可以在图像分类上达到很好的效果，比如手写数字识别问题[15]。于是，卷积神经网络及其衍生网络成为行人再识别的主流研究方法。

论文收录,行人,情况

1 绪论exNet 在 2012 年的 ImageNet 大规模视觉识别挑战（ImageNetognitionChallenge,ILSVRC）中赢得图像分类比赛的冠军时，卷的研究人员关注。人们发现，通过大量标注的数据对深度神经网具有强大的分类能力[29]。卷积神经网络使用巨大的参数量拟取不同类别之间低级到高级的语义特征，从而对输入图片进行精研究人员开始使用卷积神经网络及其衍生网络解决行人再识别

线性模型,神经网络,感知机,线性可分

图 2-2 简单神经网络结构对神经网络中数据输入输出描述为：神经网络通常为多输入、多输出模型，假设输入为1 2 3 4[ x , x , x , x ]，其中1,...,i 与输入层的神经元一一对应，设定输出为1 2 3 4[ y , y , y , y ]，其中与输出层的神经元对应。隐含层中每一层都由多个神经元组成，且每一个神经元的输入都来自于上一层的某个神经元[37]。可以看出，神经网络是一个高维复杂函数模型的近似，它的主要参数为权重ij ，ij ，(i , j )表示权重与偏置值在网络中的坐标。

【参考文献】