基于部位匹配与注意力模型的行人重识别算法研究

发布时间：2020-11-19 06:43

　　 在计算机视觉中,行人重识别是一个具有挑战性的任务,因为其涉及到行人外观、行人姿态、背景光线以及相机视域等方面的变化。因此,如何提取具有可分辨性的特征进行行人匹配是当前行人重识别需要重点关注的问题。同时随着深度学习的快速发展,卷积神经网络的优势为行人重识别问题的解决提供了很好的技术基础,通过网络模型自动提取的行人特征可以有效地提高行人重识别的效率和准确率。本文基于深度学习方法对行人重识别进行了模型及算法的研究,针对两个不同的关注点提出了两个模型,具体内容如下:针对传统的行人重识别方法直接提取全局特征,难以获得较好的行人区分度的问题,本文提出一种基于注意力机制的多任务优化学习算法模型。该模型由一个含有注意力机制的孪生网络构成,通过一个新的多任务损失函数进行参数调整。注意力机制通过强调有用的通道特征抑制作用较小的特征来提高网络的辨别能力;多任务损失函数的目的是在特征空间中缩小同一个体的距离,同时增大不同个体之间的距离。通过在Market1501和CUHK03数据集上与其他传统和深度学习算法的比较,进一步证明了本模型在行人重识别任务上的有效性。针对全局特征无法反映行人部位的细节,难以有效提高行人重识别准确率的情况,提出了一种多特征融合的行人表达方法。该方法不依赖于额外的骨架关键点或者姿态估计模型,通过一个特征划分模型生成全局特征和部位特征,并保持不同图片行人部位的内容一致性;同时构建一个自适应评分网络对部位特征的重要性进行评估,将全局特征和部位特征进行融合作为最终的行人特征。该方法在Market1501,CUHK03和DukeMTMC-reID三个广泛使用的数据集上进行对比实验,结果证明该方法优于现有的大多数行人重识别算法。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP183
【部分图文】：

交通大学硕士专业学位论文?国内外研宄２国内外研究现状??随着视频监控、智能安全等领域的发展，行人重识别任务在计算机视受关注。行人重识别的目的是从图像数据库中找出所有与给定图像属行人个体的图像，而图像库中的图像由应用在不同位置的摄像头所获摄像头不存在重叠视域，如图２－１中摄像头ａ和摄像头ｂ所示。行人重为一个检索问题，将给定图像与数据库中的所有图像逐一对比，进行后返回一个候选集，其中在候选集中排名越靠前表示与给定图像的相

来越受关注。行人重识别的目的是从图像数据库中找出所有与给定图像属于同一??关注行人个体的图像，而图像库中的图像由应用在不同位置的摄像头所获取，而??这些摄像头不存在重叠视域，如图２－１中摄像头ａ和摄像头ｂ所示。行人重识别可??以视为一个检索问题，将给定图像与数据库中的所有图像逐一对比，进行相似度??排名后返回一个候选集，其中在候选集中排名越靠前表示与给定图像的相似度越??大。???Ｌ?Ｊ???）Ｃａｍｅｒａ?ｂ?（?ＪｊＣａｍｅｆａａ?｜??图２－１摄像头位置分布??Ｆｉｇｕｒｅ?２－１?Ｃａｍｅｒａ?Ｐｏｓｉｔｉｏｎ?Ｄｉｓｔｒｉｂｕｔｉｏｎ??行人重识别选取一张图像作为查询图像（ｑｕｅｒｙ），所有待匹配的＃张图像组??成候选图像数据库（ｇａｌｌｅｒｙ），提取到的特征表示为｛ｇ，丨ｆ＝，。给定一张查询图像…??其所属的行人个体号可通过公式（２－１）获得：??ｒ＝ａｒｇｍａｘ，．６ｌ２?Ｎｓｉｍ（ｑ，ｇｉ）?（２－１）??其中，／＿是查询图像＾所属的行人个体号，ｄＷ（，）是相似度度量函数??如图２－２所示，是行人重识别的检索结果，每行代表一个行人的查找结果，左??侧为待查的行人图像（ｑｕｅｒｙ）

Ｉ?＿＿＿??Ｉ?ｉｉｉｉｉ??■?顯國國■關??图２－２行人检索结果??Ｆｉｇｕｒｅ?２－２?Ｐｅｄｅｓｔｒｉａｎ?Ｓｅａｒｃｈ?Ｒｅｓｕｌｔｓ??７??
【相似文献】

相关期刊论文 前10条

1 陈淑娴;刘建明;;基于部位特征和全局特征的物体细粒度识别[J];计算机与现代化;2017年10期

2 寇月;徐宏斌;申德荣;聂铁铮;;一种局部与全局特征相结合的主题域识别模型[J];东北大学学报(自然科学版);2018年02期

3 贾君霞;王小鹏;任恩恩;;基于全局特征的图像检索技术[J];自动化与仪器仪表;2011年01期

4 周东尧;伍岳庆;姚宇;;基于全局特征和尺度不变特征转换特征融合的医学图像检索[J];计算机应用;2015年04期

5 王晶;王昊;;融合局部特征和全局特征的视频拷贝检测[J];清华大学学报(自然科学版);2016年03期

6 孙颖;马江河;张雪英;;结合非线性全局特征和谱特征的脑电情感识别[J];计算机工程与应用;2018年17期

7 孔锐,施泽生,郭立,张国宣;基于全局特征和局部特征组合的脸谱识别方法[J];系统仿真学报;2004年05期

8 金赟;宋鹏;郑文明;赵力;;一种新的基于多核学习特征融合方法的语音情感识别方法(英文)[J];Journal of Southeast University(English Edition);2013年02期

9 李志敏,彭志刚,陈福祥;基于动态全局特征的指纹匹配算法的研究[J];沈阳化工学院学报;2000年04期

10 陈三风;梁永生;柳伟;任仙怡;;基于全局特征信息的快速场景识别与分类研究[J];微计算机信息;2010年25期

相关博士学位论文 前3条

1 周浩;基于神经网络的句法分析研究[D];南京大学;2017年

2 王军伟;融合全局与局部信息的形状轮廓特征分析与匹配[D];华中科技大学;2012年

3 谢博鋆;图像特征表示的学习算法研究[D];北京交通大学;2016年

相关硕士学位论文 前10条

1 李芮;基于部位匹配与注意力模型的行人重识别算法研究[D];北京交通大学;2019年

2 吴姝祎;基于全局特征的物体检测[D];大连理工大学;2011年

3 陶磊;基于区域和全局特征的图像检索系统设计与实现[D];华中科技大学;2013年

4 王永杰;全局特征与局部特征相结合的人脸图像检索方法研究[D];辽宁大学;2014年

5 刘传艺;利用多尺度局部特征与全局特征的人脸验证算法研究[D];华南理工大学;2016年

6 何竞;图像语义标注中的块—全局特征提取方法研究[D];北京理工大学;2011年

7 刘镇;基于内容的图像检索中多特征融合技术的应用研究[D];东北师范大学;2008年

8 Muna Wafeeq Kadhim;面部图像中年龄估计的两种方法实现[D];华中科技大学;2014年

9 赵碧茹;场景特征可分性与协同求解方法[D];合肥工业大学;2012年

10 孔祥宇;基于显著区域的图像检索方法研究[D];北京交通大学;2008年

本文编号：2889843