基于深度学习的视频监控中行人重识别问题研究

发布时间：2021-06-21 18:40

　　近年来,随着安全城市建设步伐的不断加快,监控摄像头的数量呈爆炸式增长。面对海量的视频数据,传统的人工处理方式显得既笨拙又低效率。因此,为了解决跨摄像头行人识别、追踪与检索问题,行人重识别技术被提出。行人重识别能够在庞大的视频监控网络中对指定目标行人进行检索与识别,并通过建立不同摄像机下目标行人的身份关联信息,实现目标行人的跟踪与运动分析等。然而在现实应用场景中,由于光照、相机视角、行人姿势的不同使得同一个行人在不同摄像机下往往呈现出不同的状态,给行人重识别问题的研究与应用带来了巨大的挑战。本文在分析与研究国内外前人工作的基础上,针对光照、相机视角以及行人姿势变化等问题对行人重识别带来的影响,提出了2种基于深度学习的解决方案,并通过与前人的工作进行对比验证了本文方法的有效性。具体内容如下:（1）提出了一种基于特征融合与深度集成网络的行人重识别从特征提取方面,FF-DEN不仅考虑了CNN全局特征的鲁棒性,还考虑了LOMO特征的局部显著性。从网络模型结构方面,FF-DEN即充分考虑了图像之间的相似性（用于度量函数的学习）,又充分利用了图像的类别信息,并且使用交叉熵损失函数建立所有图像之间的内... 

【文章来源】：安徽工业大学安徽省

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

行人重识别相关论文近年来发表数量及比例

实线则表示相应摄像头的视频捕获视角。由图1-3 可以看出，在对行人目标进行行为分析、跟踪等操作时，将不同摄像机下相同目标行人的身份进行关联是非常有必要的。而行人重识别技术则为非重叠视角

图 1-4 行人重识别模型流程图[9]由图 1-4 可以看出，行人重识别过程主要包含四个步骤：(1) 图像预处理图像预处理旨在于能够提取具有鲁棒性图像特征而对原始图像进行的一列操作，主要包括降噪、尺度归一化、图像分割等。在实际操作过程中，为了高行人重识别系统的鲁棒性与准确率还会采用一些数据增强技术，比如：反转像、对样本进行随机裁剪、固定正负样本比例等。(2) 特征提取特征提取旨在于为每张图像提取出一个具有强鲁棒性与辨识度的特征描符。目前常见的特征提取方法主要分为人工设计的低级语义特征和通过深度学产生的中高级语义特征。人工设计的特征主要包括颜色、纹理、轮廓等。其中颜色特征主要使用 RGB、YCbCr、HSV 和 YUV 等颜色空间的直方图进行描述纹理和轮廓特征则使用 HOG[14]LBP[15]、SILTP[16]等特征描述子进行表达，局显著特征则包括 SIFT[17]和 SURF[18]等。近年来随着深度学习尤其是卷积神经络的不断发展，为行人重识别问题提取鲁棒性特征提供了新的方法[19-22]。(3) 相似性度量学习

【参考文献】：
期刊论文
[1]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛.  计算机学报. 2015(06)
[2]2013年我国公安视频监控建设现状[J]. 贺小花.  中国公共安全. 2013(13)



本文编号：3241197