基于卷积神经网络的行人重识别算法研究
发布时间：2021-04-26 16:36
行人重识别是一项跨摄像头跨场景下搜寻与匹配目标行人的技术,该项技术在智能视频监控、智慧商业和智能安防等领域有着广泛应用,也是近些年计算机视觉领域的一个重点研究课题。但由于在自然场景下受到视角改变、行人遮挡、行人姿态改变等因素的影响,行人重识别面临着重大的挑战,如何提取更有辨别力的特征进行行人匹配仍是当前行人重识别研究需要重点关注的问题。本文基于深度学习方法针对行人重识别模型特征表示能力的提升进行研究,论文的主要研究工作如下:（1）针对当前的基于卷积神经网络的行人重识别方法对于遮挡和复杂背景引起的判别信息缺失问题,提出了一种基于多尺度卷积特征融合的行人重识别算法。在训练阶段,使用金字塔池化方法对卷积特征图进行分块和池化,获得包含全局特征和多尺度局部特征的多个特征向量;对每一个特征向量进行独立分类,并在各个分类的最后内积层上归一化权重和特征,以提升分类性能;最后使用梯度下降法优化全部的分类损失。在识别阶段,将池化后的多个特征向量融合成一个新向量,使用新向量在库中进行相似性匹配。最后在Market1501和DukeMTMC-re ID两个数据集上对所提算法的有效性进行实验验证,结果表明所提算...
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：55 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 行人重识别研究现状
1.2.1 基于手工特征的行人重识别
1.2.2 基于深度学习的行人重识别
1.3 行人重识别研究难点
1.4 本文的研究内容
1.5 本文结构
第二章 基于卷积神经网络的行人重识别相关理论
2.1 引言
2.2 行人重识别流程
2.3 卷积神经网络基础
2.3.1 卷积层
2.3.2 池化层
2.3.3 全连接层
2.3.4 激活函数
2.3.5 批量归一化层
2.4 深度残差网络
2.5 常用的数据集及评估指标
2.5.1 行人重识别数据集
2.5.2 行人重识别评估指标
2.6 本章小结
第三章 基于多尺度特征融合的行人重识别
3.1 引言
3.2 基于多尺度特征融合的行人重识别
3.2.1 网络结构
3.2.2 金字塔池化的多尺度特征
3.2.3 L2归一化层
3.3 实验结果与分析
3.3.1 实验设置
3.3.2 实验结果分析
3.3.3 实验结果比较
3.4 本章小结
第四章 基于多任务金字塔重叠匹配的行人重识别
4.1 引言
4.2 基于多任务金字塔重叠匹配的行人重识别
4.2.1 网络结构
4.2.2 金字塔重叠匹配网络
4.2.3 多任务学习
4.3 实验与结果分析
4.3.1 实验设置
4.3.2 实验结果分析
4.3.3 实验结果比较
4.4 本章小结
第五章 基于批特征擦除和多特征融合的行人重识别
5.1 引言
5.2 基于批特征擦除和多特征融合的行人重识别
5.2.1 网络结构
5.2.2 多级语义特征网络
5.2.3 批特征擦除网络结构
5.3 实验结果与分析
5.3.1 实验设置
5.3.2 实验结果分析
5.3.3 实验结果比较
5.4 本章小结
第六章 总结与展望
主要结论
展望
致谢
参考文献
附录:作者在攻读硕士学位期间发表的论文
【参考文献】：
期刊论文
[1]多形状局部区域神经网络结构的行人再识别[J]. 陈亮雨,李卫疆. 中国图象图形学报. 2019(11)
[2]基于深度卷积生成对抗网络和拓展近邻重排序的行人重识别[J]. 戴臣超,王洪元,倪彤光,陈首兵. 计算机研究与发展. 2019(08)
[3]基于深度学习的行人重识别研究进展[J]. 罗浩,姜伟,范星,张思朋. 自动化学报. 2019(11)
[4]基于特征融合与子空间学习的行人重识别算法[J]. 朱小波,车进. 激光与光电子学进展. 2019(02)
[5]基于卷积神经网络判别特征学习的行人重识别[J]. 陈兵,查宇飞,李运强,张胜杰,张园强,库涛. 光学学报. 2018(07)
[6]视频监控中的行人再识别技术综述[J]. 尹萍,赵亚丽. 警察技术. 2018(01)
博士论文
[1]多特征融合的行人重识别算法研究及其加速[D]. 杨继伟.中国科学技术大学 2019
[2]基于深度学习的行人重识别方法研究[D]. 袁彩虹.华中科技大学 2019
硕士论文
[1]多粒度人体结构对齐的行人重识别算法研究[D]. 龚杰.北京交通大学 2019
[2]基于局部特征和度量学习的行人重识别模型研究[D]. 张国鹏.华东师范大学 2019
本文编号：3161749
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：55 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 行人重识别研究现状
1.2.1 基于手工特征的行人重识别
1.2.2 基于深度学习的行人重识别
1.3 行人重识别研究难点
1.4 本文的研究内容
1.5 本文结构
第二章 基于卷积神经网络的行人重识别相关理论
2.1 引言
2.2 行人重识别流程
2.3 卷积神经网络基础
2.3.1 卷积层
2.3.2 池化层
2.3.3 全连接层
2.3.4 激活函数
2.3.5 批量归一化层
2.4 深度残差网络
2.5 常用的数据集及评估指标
2.5.1 行人重识别数据集
2.5.2 行人重识别评估指标
2.6 本章小结
第三章 基于多尺度特征融合的行人重识别
3.1 引言
3.2 基于多尺度特征融合的行人重识别
3.2.1 网络结构
3.2.2 金字塔池化的多尺度特征
3.2.3 L2归一化层
3.3 实验结果与分析
3.3.1 实验设置
3.3.2 实验结果分析
3.3.3 实验结果比较
3.4 本章小结
第四章 基于多任务金字塔重叠匹配的行人重识别
4.1 引言
4.2 基于多任务金字塔重叠匹配的行人重识别
4.2.1 网络结构
4.2.2 金字塔重叠匹配网络
4.2.3 多任务学习
4.3 实验与结果分析
4.3.1 实验设置
4.3.2 实验结果分析
4.3.3 实验结果比较
4.4 本章小结
第五章 基于批特征擦除和多特征融合的行人重识别
5.1 引言
5.2 基于批特征擦除和多特征融合的行人重识别
5.2.1 网络结构
5.2.2 多级语义特征网络
5.2.3 批特征擦除网络结构
5.3 实验结果与分析
5.3.1 实验设置
5.3.2 实验结果分析
5.3.3 实验结果比较
5.4 本章小结
第六章 总结与展望
主要结论
展望
致谢
参考文献
附录:作者在攻读硕士学位期间发表的论文
【参考文献】：
期刊论文
[1]多形状局部区域神经网络结构的行人再识别[J]. 陈亮雨,李卫疆. 中国图象图形学报. 2019(11)
[2]基于深度卷积生成对抗网络和拓展近邻重排序的行人重识别[J]. 戴臣超,王洪元,倪彤光,陈首兵. 计算机研究与发展. 2019(08)
[3]基于深度学习的行人重识别研究进展[J]. 罗浩,姜伟,范星,张思朋. 自动化学报. 2019(11)
[4]基于特征融合与子空间学习的行人重识别算法[J]. 朱小波,车进. 激光与光电子学进展. 2019(02)
[5]基于卷积神经网络判别特征学习的行人重识别[J]. 陈兵,查宇飞,李运强,张胜杰,张园强,库涛. 光学学报. 2018(07)
[6]视频监控中的行人再识别技术综述[J]. 尹萍,赵亚丽. 警察技术. 2018(01)
博士论文
[1]多特征融合的行人重识别算法研究及其加速[D]. 杨继伟.中国科学技术大学 2019
[2]基于深度学习的行人重识别方法研究[D]. 袁彩虹.华中科技大学 2019
硕士论文
[1]多粒度人体结构对齐的行人重识别算法研究[D]. 龚杰.北京交通大学 2019
[2]基于局部特征和度量学习的行人重识别模型研究[D]. 张国鹏.华东师范大学 2019
本文编号：3161749
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3161749.html
