融合局部特征的行人重识别神经网络模型

发布时间：2020-10-28 05:06

　　 随着现代社会中监控设备的大量部署,对监控画面的人工检视显得力不从心,智能监控领域的研究正受到越来越多的关注。行人重识别则是智能监控中的核心一环,主要研究内容是从无重叠视场的监控画面中查找出指定的行人目标,用来刻画该目标在监控点之间的移动轨迹。行人重识别的研究可以被看作是一个类似模式识别的分类问题,一般由对行人的特征提取和对特征进行度量两步完成。行人重识别的很多研究都关注于对行人的特征提取方面。由于行人图像的复杂性,传统计算机视觉领域的方法往往难以定义出一个良好的特征描述子;而近年来兴起的深度神经网络模型,虽然已经具备了一定的行人重识别能力,但其往往都是对图像的全局像素进行无差别的学习,无法区分图像的重点区域。考虑到行人图像中常有一半左右的像素属于背景画面,与行人目标没有直接关系,影响了特征的质量,因此本文希望在引入深度网络模型的基础上,强化行人目标对特征的影响,弱化噪声干扰,来提高行人特征描述子的质量,获得更高性能的模型。本文首先基于表征学习的思路提出了一个特征融合网络,将行人的局部特征和全局特征融合成一个统一的特征描述子来对行人进行识别和分类。该网络模型由3部分组成:行人局部特征提取模块、全局特征提取模块和特征融合模块。局部特征提取模块使用了改进的LOMO方法来描述局部特征,该方法将提取LOMO特征的范围限定在行人目标的主体区域中,尽可能的排除背景像素对特征造成的干扰,来强化前景像素的影响;全局特征提取模块选用了近年表现较为突出的深度残差网络模型,获得行人全局特征向量;特征融合模块通过训练神经元,将行人的局部和全局特征向量相融合,并完成对行人图像的识别、分类工作。最后通过在主流的行人重识别数据集上进行对比实验,证明该特征融合网络的性能优于传统的特征提取方法和单一的深度神经网络模型。随后本文在度量学习方法上对该特征融合网络进行进一步改进和优化,以特征融合网络为基础,提出了一个融合行人局部特征的三元组度量模型。通过特征融合网络计算三元组的特征向量,并度量出特征的距离,训练模型完成推开负样本对、拉近正样本对的工作。为了保证模型的训练效率,模型通过难样本取样的方式从数据集中选取样本构成输入的三元组。通过对比实验,该三元组度量模型进一步提高了特征融合网络的分类精度,达到了优化模型的目的,同时也证明了度量学习的方法在规模较大的数据集上,相较表征学习能取得更好的准确性。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP183
【部分图文】：

如图 1.1，图中主要依据的检测特征从左到右依次为短裤，手提袋，背包，商标，条纹。图1.1 检测条带中特征的结果。2014 年中科院 Yang Y[8]等人提出了一种基于显著颜色名称的颜色描述子（SalientColorNamesbasedColorDescriptor，SCNCD）方法用于行人重识别的研究，原理如图 1.2 所示。SCNCD 是将 RGB 颜色空间中的 16 色色板颜色名称预定义为基准颜色名称，通过计算行人目标的图像颜色（RGB 空间）的概率分布，将行人的颜色映射到基准名称中，依据颜色名称分布来描述行人特征。文中通过实验证明了 SCNCD能够比较好的应对光照变化、背景干扰和较小部分的行人遮挡。

西安电子科技大学硕士学位论文4图1.2 基于显著颜色名称的颜色描述子原理示意图2015 年 LiaoS [9]提出一种局部最大事件（Local Maximal Occurrence，LOMO)作为对行人图像特征的描述，在人工提取的特征描述子中性能较为优异。以上一些学者主要从图像特征上着手，取得了相当的研究成果，并为后来的研究者提供了大量的思路。而随着神经网络、深度学习的兴起，越来越多的研究人员发现神经网络[11]工具可以很好的应用在包括行人重识别在内的计算机视觉领域中多种方向，使得行人重识别研究成果进入了一个新的高潮。深度学习下的行人重识别工作主要分为表征学习和度量学习两个方向[10]。2016 年，Ahmed E 等人[12]提出了一个神经网络模型，如图 1.3

图1.3 EjazAhmed 等人提出的模型结构图[12]用孪生网络结构，输入为一对行人图像，各自通过一个共Tied Convolution），并提取一定的特征信息；在较高层Differences）计算出前面卷积层和池化层得到的两个行人
【相似文献】

相关期刊论文 前10条

1 祖来克孜·米吉提;;神经网络模型在分类与预测中的应用研究[J];喀什大学学报;2018年03期

2 陈海华;;基于神经网络模型的高速公路交通量短时预测方法[J];中国交通信息化;2017年08期

3 李赟妮;;神经网络模型在银行互联网金融反欺诈中的应用探索[J];金融科技时代;2018年08期

4 花广如;李文浩;郭阳阳;;基于神经网络模型的海南变电站接地网Q235钢腐蚀率预测[J];腐蚀与防护;2017年08期

5 周静;周正松;高旸;许欢;裴姣;张韬;;神经网络模型应用于数据缺失机制识别的可行性分析[J];现代预防医学;2017年21期

6 王呈会;;神经网络模型在水文模拟中的应用研究[J];东北水利水电;2016年05期

7 ;新型人造突触可使人工智能更加“聪明”[J];科学之友(上半月);2017年08期

8 曹文才;;科技型中小企业技术创新能力评价体系的构建——基于量子衍生神经网络模型的实证研究[J];应用概率统计;2013年06期

9 纪娟;;神经网络模型在财务风险预警中的应用[J];网络安全技术与应用;2011年01期

10 郭强;罗长寿;魏清凤;;基于遗传算法神经网络模型的蔬菜价格预报[J];安徽农业科学;2011年26期

相关博士学位论文 前10条

1 杨继伟;多特征融合的行人重识别算法研究及其加速[D];中国科学技术大学;2019年

2 张国校;基于深层神经网络模型的浅层语义解析统计研究[D];暨南大学;2017年

3 周彦辰;事故条件下放射性废液污染预测的机理性神经网络模型研究[D];武汉大学;2015年

4 王雨农;基于视觉注意机制的神经网络模型研究及应用[D];中国科学技术大学;2017年

5 喻维;软件缺陷报告管理关键技术研究[D];华南理工大学;2018年

6 李翠平;解l_1-范数问题的神经网络模型研究[D];陕西师范大学;2018年

7 袁朝晖;二元离散神经网络模型的动力学分析[D];湖南大学;2003年

8 刘开宇;几类二元神经网络模型的动力学性质研究[D];湖南大学;2004年

9 李秀玲;具时滞的四维神经网络模型的分支问题研究[D];东北师范大学;2005年

10 黄创霞;几类神经网络模型的动力学研究[D];湖南大学;2006年

相关硕士学位论文 前10条

1 杨雄辉;彩色图像引导的深度图像重建方法研究[D];南昌大学;2019年

2 邹大鹏;基于自组织映射与自适应谐振学习的协同神经网络模型研究[D];哈尔滨工业大学;2019年

3 张思阳;具有位错结构的全方位轮式移动平台运动特性研究[D];沈阳航空航天大学;2019年

4 柯贤庭;Spiking卷积神经网络模型研究及应用[D];西安电子科技大学;2019年

5 李天霖;融合局部特征的行人重识别神经网络模型[D];西安电子科技大学;2019年

6 谢忱宇;基于LSTM神经网络模型的因子选股策略研究[D];辽宁大学;2019年

7 张婷婷;三类时滞细胞神经网络模型的稳定性分析[D];东北林业大学;2019年

8 许栋武;基于多任务学习的车辆再识别算法研究[D];北京交通大学;2019年

9 王超;优化卷积神经网络模型在隧道探地雷达实测数据分类中的研究及应用[D];长安大学;2019年

10 徐峰;基于改进神经网络模型的锂电池SOC预测方法研究[D];重庆邮电大学;2018年

本文编号：2859632