基于深度学习行人重识别技术研究

发布时间：2021-05-14 19:32

　　随着智慧城市的发展与普及,计算机视觉技术在诸多实际场景中得到了广泛的应用,如刑事侦查、智能安防、图像检索、人机交互等。相比于传统的人工识别,智能化监控管理技术能大大的降低成本和提高检测效率。行人重识别的特性是跨摄像机检索,评测准则是要求检索出不同摄像机下面的同一行人。在现实场景中,由于光照、拍摄角度、人体姿态变化等不可控因素,导致检索目标难以识别,这使得重识别研究成为一个具有挑战性的课题。近几年,随着深度学习在多个领域上的快速发展,本文就基于深度学习的行人重识别技术展开研究,本文的主要工作和贡献具体如下:现有的大多数方法都是基于行人的全局特征或是简单划分的局部特征,但是特征信息是行人重识别技术中重要的一部分。为了提取行人图像中更有辨识力的特征信息,同时减少背景环境对行人特征提取的影响,本文提出了基于行人骨架划分与多特征嵌入的行人重识别。本文对行人进行骨架点提取,然后利用优化划分准则对行人图像进行局部区域划分。利用神经网络分别对局部区域和全局图像进行训练,对提取到的全局与局部特征进行融合,融合后的特征具备丰富性和完整性。在相似性距离计算上利用局部信息的交叉匹配原则扩大类间距离和缩小类内距... 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 课题研究背景和意义
    1.2 国内外研究现状
    1.3 行人重识别领域的难点和现存问题
    1.4 本文研究内容
    1.5 本文组织结构
第2章 行人重识别相关技术研究
    2.1 多层特征表达与提取
    2.2 排序方法
    2.3 数据增强方法
    2.4 行人重识别评价指标与数据集
        2.4.1 评价指标
        2.4.2 公用数据集
    2.5 本章小结
第3章 基于行人骨架划分与多特征嵌入的行人重识别
    3.1 基于行人骨架划分与多特征嵌入总架构
    3.2 行人骨架划分
        3.2.1 行人背景滤除
        3.2.2 局部区域划分
    3.3 多特征嵌入与交叉匹配
        3.3.1 局部与全局特征融合
        3.3.2 区域交叉匹配
    3.4 实验结果与分析
        3.4.1 实验配置与参数
        3.4.2 优化划分实验
        3.4.3 实验结果对比与性能分析
    3.5 本章小结
第4章 基于混合结构与特征点匹配的重识别研究
    4.1 混合结构与特征点匹配算法的总框架
    4.2 混合网络结构模型
        4.2.1 网络结构与特征融合
        4.2.2 相似性度量
    4.3 基于SURF算法的重排序算法
        4.3.1 SURF算法介绍
        4.3.2 特征点提取
        4.3.3 特征点匹配与重排序
    4.4 实验结果与分析
        4.4.1 特征点匹配实验
        4.4.2 实验结果对比与性能分析
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
攻读学位期间的研究成果


【参考文献】：
期刊论文
[1]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)
[2]多特征融合的行人目标优选算法研究[J]. 樊海玮,张博敏,史双,张艳萍,蔺琪,孙欢.  信息通信. 2019(05)
[3]鉴别性特征学习模型实现跨摄像头下行人即时对齐[J]. 余春艳,钟诗俊.  计算机辅助设计与图形学学报. 2019(04)
[4]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)
[5]基于姿态对齐的行人重识别方法（英文）[J]. 王金,刘洁,高常鑫,桑农.  控制理论与应用. 2017(06)
[6]距离度量学习的摄像网络中行人重识别[J]. 章东平,徐丽园.  中国计量大学学报. 2016(04)
[7]融合底层和中层字典特征的行人重识别[J]. 王丽.  中国光学. 2016(05)

硕士论文
[1]行人重识别中的多尺度特征和重排序框架研究[D]. 袁明月.中国科学技术大学 2019



本文编号：3186205