基于难例样本分析的行人重识别方法

发布时间：2020-08-27 14:43

【摘要】：行人重识别算法的任务是在没有公共视域的摄像头中搜索特定的行人目标,这可以被视为一个目标检索过程,结果可表示为一个行人样本相似度的排名列表。在实际的场景中,受光照明暗变化、视角变化、行人姿态、遮挡等因素的影响,同一行人目标在不同摄像头下呈现较大的差异,从而导致同一行人的图像很难排在相似度列表前列。通常来说,难以正确匹配的行人样本被称为难例样本,难例样本也是阻碍算法性能的最大障碍。本文将从行人重识别的难例样本出发,分析难例样本特征分布的规律,提升模型对难例样本的匹配成功率,完善算法性能。首先,大多数现有的基于度量学习的行人重识别算法,采用在整个数据集上学习一个全局距离矩阵来计算行人图像之间的相似度。但是由于测试集中的难例样本特征分布的不规律性,全局度量很难准确衡量其相似度,导致算法性能指标下降。本文提出将全局度量学习和测试集难例样本的局部判别信息相结合来提升匹配精度,根据测试集样本在全局度量矩阵下的距离分布筛选出易混淆的难例样本并分析这些样本的局部判别信息,重新计算样本相似度并排序。其次,我们希望学习出一个特定的针对难例样本的度量矩阵。先利用交叉验证的方式获得训练集样本的相似度排序列表,并根据列表排序将训练负样本对分为3个不同的难例等级。对此,提出了一种由粗到精的调节机制,能在重训练阶段自适应地对不同难例程度的样本对施加不同的惩罚。在这样的约束条件下,算法可以学习得到一个更适合于难例样本的度量矩阵,把它应用于测试集的重排序任务,能够进一步区分容易混淆的样本,提高算法精度。最后,随着深度学习算法的发展,行人重识别数据库的容量越来越大,模型在训练过程中很难拟合到数据库中少量的难例样本,从而导致模型在测试过程中的判别能力下降。考虑到每个训练随机批次难例等级不同以及训练不同阶段模型所需样本数量的不同,我们提出了基于深度学习的自适应难例挖掘算法,该算法不仅可以使难例挖掘的规则和模型训练过程更加协调一致,而且可以同时缓解模型欠拟合和过拟合的问题。此外,实现难例挖掘的子网络结构简单有效,具有良好的泛化性能,可以很容易地与现有的各种深度学习网络和行人重识别模型相结合。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP18
【图文】：

行人,计算机视觉,国际,算法

算法可根据案发时监控摄像头拍摄到的嫌疑目标图搜索该嫌疑目标的画面并分析其活动轨迹，以便排计算机强大处理能力，行人重识别算法能够快速处安机关的信息处理效率，维护保障公共安全。文的重点研究是基于表观特征的行人重识别算法，究现状和发展趋势，分析了行人重识别算法面临的算法难以处理的样本，设计了有效的算法来进一步概况在安防中发挥了越来越大的作用，学术界对于行人俱增，在国际顶级会议上有关行人重识别算法的文

行人,差值,高斯分布,大间隔

( ) ≤ ，( ) ( ) ≥ ，( ) 束算法，例如大间隔最近邻分类算法内样本对之间的距离的间隔至少大于 ),其中且，约束条件满 ( ) ≥ ( ) SME[7]方法，是度量学习中非常有代表两幅行人图像的相似程度。文章提出其中( ) ，服从的高斯分布均值值为 0，协方差矩阵为的高斯分布1 所示。

构建过程,全局,测试样本

图 2-7. 集合，和的可视化构建过程三个子集，，和，可以帮助算法判断全局度量学习下对的相似度计算结果是否和测试对的局部判别信息一致。若三个集合中属于同一个人的图像越多，则全局度量学习和测试样本对的局部判别信息越一致，属于同一个行人目标的可能性就越大，这是因为难例负样本对之间往往不同时具备全局分布和局部信息的相似性。因此，根据三个集合中同时出现的训练样本数计算出测试样本对在局部判别信息下的分数，和原始分数相结合对样本相似度重新排序。2.4.5 重排序算法上述策略可以通过将三个 k-近邻集合中的元素编码为向量，构建可度量相似度的计算方法，再进行重新排序。对于集合 , 我们设计一个向量来表示中的元素。

【相似文献】