基于深度学习的行人检测与重识别方法研究与实现

发布时间：2020-12-22 03:50

　　近年来,国家在快速向信息化、智能化的方向发展,对人工智能技术的研究显得尤为重要。计算机视觉作为其重要组成部分,在智能监控、无人驾驶、智慧交通等领域有广泛的应用价值。而行人作为视觉中最值得关注的对象之一,国内外学者对其进行了大量的研究。为了实现监控场景下的行人重识别任务,同时提升行人检测的速度与行人重识别的精度,本文就智能监控下的行人检测与重识别问题展开研究,主要工作如下:（1）为了能够快速准确地检测出监控图像中的行人目标,设计了一个融合感受野结构的轻量级行人检测模型。具体地,为了减少模型参数量,提高行人检测速度,设计了一个卷积层最大通道数仅有256的轻量级特征提取网络,用于提取图像中有效的特征;此外,为了提高模型检测精度,在轻量级特征提取网络中引入改进的感受野组件,以提取判别力更强的特征;最后,为了使模型能够更加准确地检测图像中大小各异的行人,从特征提取网络中选取六个不同尺寸的特征图,并针对行人形态分布特点为每个特征图设计不同的锚点框,进行类别预测与位置预测。实验结果表明,该模型不仅能够准确地检测图像中的行人,还在一定程度上提高现有目标检测模型的检测速度。（2）为了解决行人图像之间的匹... 

【文章来源】：河南大学河南省

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

行人检测模型检测结果可视化

第4章多粒度行人重识别模型53（e）（f）（g）（h）图4-10行人重识别模型结果可视化在图4-10中，每一行最左侧一幅图像为查询图像（query），右侧10幅图像为该模型在数据集候选图像库（gallery）中找出的与查询图像最相似的10个行人图像，序号为绿色表示与查询图像ID相同，序号为红色则表示与查询图像ID不同。从图4-10可以看出，图4-10（a）、（b）、（c）、（d）、（e）结果均正确，图4-10（f）、（g）、（h）中出现与查询图像ID不同的行人，这是因为图4-10（f）中标号为“10”、图4-10（g）中标号为“6”和“9”的行人外观均与其对应查询图像中的行人外观十分相似，且行人图像分辨率较低，导致出现错误结果。而图4-10（h）中标号为“9”和“10”的行人被错误匹配，则是因为该查询图像中行人在候选图像库中仅有8幅图像，导致结果中出现两幅与其最相似的其他行人图像。由此可见，本章行人重识别模型具有一定的有效性与可靠性。4.4本章小结本章设计了一种用于解决行人图像之间匹配问题的多粒度行人重识别模型。由于该模型设计了一个多粒度特征提取网络，分别从ResNet50主干网络的Conv4和Conv5的特征图上提取不同粒度的全局特征与局部特征，因此，提取的特征信息更全面、判别力更强。此外，由于该模型采取表征学习与度量学习联合的方式，在模型中设置标签平滑ID损失和Batch-Hard三元组损失进行监督学习，从而使模型能够学习出更优的网络参

【参考文献】：
硕士论文
[1]多场景交通视频目标检测系统设计与实现[D]. 李嘉宸.河南大学 2019



本文编号：2931082