基于卷积神经网络和混合高斯的行人重识别
发布时间：2021-07-18 18:02
近年来,作为安全防范领域的重要手段之一,智能视频监控系统在安防中的需求与日俱增。行人重识别是智能监控系统中一项重要技术,目前已经成为图像处理领域中的一个热点话题。行人重识别指的是在某一摄像头下指定一个目标行人,然后在其它不同区域的摄像头下对该目标行人进行查找和识别的技术。由于光照变化、遮挡、拍摄角度等多种因素都可能影响到识别性能,如何提高行人重识别技术的识别率仍然是一个挑战性的问题。目前,深度学习已经成功应用在图像检测、目标识别、图像分类、语音识别等多个领域,同样也在行人重识别领域有一定程度的研究。跟传统的特征提取方法相比,深度学习网络能够自动从图像中学习到更鲁棒更具有代表性的特征。因此,本文在研究深度学习和神经网络等理论的基础上提出了一种基于卷积神经网络和混合高斯的行人重识别方法。2017年,在计算机视觉与模式识别会议（CVPR,Computer Vision and Patern Recognition）中,郑良等人提出了一种IDE行人重识别算法,本文方法是对IDE算法的一个改进。该方法首先将数据集中的所有行人图像送入到卷积神经网络（CNN,Convolutional Neural...
【文章来源】：西安理工大学陕西省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
监控视频下的行人重识别Fig.1-1PersonRe-IdentificationunderMonitoringVideo2）基于历史监控录像的行人检索
图 2-1 神经网络结构图Fig.2-1 The Structure Diagram of Neural Network非常具有局限性的，它仅仅对线性的问题的“异或（XOR）”运算等这种非线性的网络陷入低潮，直到上个世纪八十年代，这一问题才得以解决。多层感知机[33]隐含层数量增多，通过凸域可以形成任何问题。多层感知机在当时是比较理想的一两个新的难题又随之而来：1）随着网络层了局部最优解，而且该局部最优解会离真用该数据所训练的网络，其性能往往还不略的问题就是“梯度消失”。随着网络层数问题的出现使神经网络的发展进入另一个多大学的教授 Hinton 等人[34]提出了深度最优解这一问题，并且将网络隐含层的数意义上才有了所谓的“深度”，也因此掀
Convolution Neural Networks）是最常见的深反馈神经网络，其最大的特点是具有权值共享这一低网络结构的复杂度，减少网络的权重数量，从而为了当前图像识别、语音识别、目标检测等领域的值共享和下采样这三个结构是卷积神经网络的三大在识别过程中的缩放、位移和扭曲不变性[37]。其中全连接来对各个层之间的输入和输出进行计算，也由卷积窗口和与之相对应的输入层中的某个区域内受野这种方式可以在很大程度上减少需要训练参数像中选取的不同位置的小区域中使用相同的权重参，窗口内的权值矩阵不变，仅改变窗口位置，这样神经元提取了相同的特征，这种方式也能够极大的训练样本的数量；3）下采样是通过池化等方法进行度的特征，同时降低了特征的维度。以上这三种方野，权值共享和下采样的共同目的是减少数据维数
【参考文献】：
期刊论文
[1]DGD卷积神经网络行人重识别[J]. 杨忠桃,章东平,杨力,井长兴. 中国计量大学学报. 2017(04)
[2]基于字典学习和Fisher判别稀疏表示的行人重识别方法[J]. 张见威,林文钊,邱隆庆. 华南理工大学学报(自然科学版). 2017(07)
[3]采用增量式线性判别分析的行人再识别[J]. 霍中花,陈莹. 小型微型计算机系统. 2017(03)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[5]基于特征融合与核局部Fisher判别分析的行人重识别[J]. 张耿宁,王家宝,李阳,苗壮,张亚非,李航. 计算机应用. 2016(09)
[6]基于HSV模型和特征点匹配的行人重识别算法[J]. 彭志勇,常发亮,刘洪彬,别秀德. 光电子·激光. 2015(08)
[7]基于统计推断的行人再识别算法[J]. 杜宇宁,艾海舟. 电子与信息学报. 2014(07)
[8]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[9]基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 赵志宏,杨绍普,马增强. 系统仿真学报. 2010(03)
博士论文
[1]面向智能视频监控的行人目标再识别研究[D]. 谢奕.浙江大学 2017
[2]面向监控视频的行人重识别技术研究[D]. 王亦民.武汉大学 2014
硕士论文
[1]卷积神经网络图像分类应用研究[D]. 柯小龙.深圳大学 2017
[2]基于深度学习的行人再识别技术研究[D]. 焦旭辉.西南交通大学 2017
[3]基于动态度量和多维度表达的行人重识别研究[D]. 姚磊.武汉大学 2017
[4]子空间的流形学习特征提取方法及人脸识别研究[D]. 王海燕.哈尔滨理工大学 2017
[5]基于拓扑关系的距离度量与聚类算法研究[D]. 光俊叶.南京航空航天大学 2017
[6]智能视频监控系统中的行人重识别方法研究[D]. 彭志勇.山东大学 2016
[7]基于混合高斯模型的面板数据聚类研究[D]. 黄咏宁.华南理工大学 2016
[8]基于度量学习和深度学习的行人重识别研究[D]. 杨钰源.重庆大学 2016
[9]监控视频下行人再识别技术研究[D]. 罗雯怡.电子科技大学 2016
[10]基于matching-CNN的行人再识别[D]. 徐志敏.西安电子科技大学 2015
本文编号：3290086
【文章来源】：西安理工大学陕西省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
监控视频下的行人重识别Fig.1-1PersonRe-IdentificationunderMonitoringVideo2）基于历史监控录像的行人检索
图 2-1 神经网络结构图Fig.2-1 The Structure Diagram of Neural Network非常具有局限性的，它仅仅对线性的问题的“异或（XOR）”运算等这种非线性的网络陷入低潮，直到上个世纪八十年代，这一问题才得以解决。多层感知机[33]隐含层数量增多，通过凸域可以形成任何问题。多层感知机在当时是比较理想的一两个新的难题又随之而来：1）随着网络层了局部最优解，而且该局部最优解会离真用该数据所训练的网络，其性能往往还不略的问题就是“梯度消失”。随着网络层数问题的出现使神经网络的发展进入另一个多大学的教授 Hinton 等人[34]提出了深度最优解这一问题，并且将网络隐含层的数意义上才有了所谓的“深度”，也因此掀
Convolution Neural Networks）是最常见的深反馈神经网络，其最大的特点是具有权值共享这一低网络结构的复杂度，减少网络的权重数量，从而为了当前图像识别、语音识别、目标检测等领域的值共享和下采样这三个结构是卷积神经网络的三大在识别过程中的缩放、位移和扭曲不变性[37]。其中全连接来对各个层之间的输入和输出进行计算，也由卷积窗口和与之相对应的输入层中的某个区域内受野这种方式可以在很大程度上减少需要训练参数像中选取的不同位置的小区域中使用相同的权重参，窗口内的权值矩阵不变，仅改变窗口位置，这样神经元提取了相同的特征，这种方式也能够极大的训练样本的数量；3）下采样是通过池化等方法进行度的特征，同时降低了特征的维度。以上这三种方野，权值共享和下采样的共同目的是减少数据维数
【参考文献】：
期刊论文
[1]DGD卷积神经网络行人重识别[J]. 杨忠桃,章东平,杨力,井长兴. 中国计量大学学报. 2017(04)
[2]基于字典学习和Fisher判别稀疏表示的行人重识别方法[J]. 张见威,林文钊,邱隆庆. 华南理工大学学报(自然科学版). 2017(07)
[3]采用增量式线性判别分析的行人再识别[J]. 霍中花,陈莹. 小型微型计算机系统. 2017(03)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[5]基于特征融合与核局部Fisher判别分析的行人重识别[J]. 张耿宁,王家宝,李阳,苗壮,张亚非,李航. 计算机应用. 2016(09)
[6]基于HSV模型和特征点匹配的行人重识别算法[J]. 彭志勇,常发亮,刘洪彬,别秀德. 光电子·激光. 2015(08)
[7]基于统计推断的行人再识别算法[J]. 杜宇宁,艾海舟. 电子与信息学报. 2014(07)
[8]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[9]基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 赵志宏,杨绍普,马增强. 系统仿真学报. 2010(03)
博士论文
[1]面向智能视频监控的行人目标再识别研究[D]. 谢奕.浙江大学 2017
[2]面向监控视频的行人重识别技术研究[D]. 王亦民.武汉大学 2014
硕士论文
[1]卷积神经网络图像分类应用研究[D]. 柯小龙.深圳大学 2017
[2]基于深度学习的行人再识别技术研究[D]. 焦旭辉.西南交通大学 2017
[3]基于动态度量和多维度表达的行人重识别研究[D]. 姚磊.武汉大学 2017
[4]子空间的流形学习特征提取方法及人脸识别研究[D]. 王海燕.哈尔滨理工大学 2017
[5]基于拓扑关系的距离度量与聚类算法研究[D]. 光俊叶.南京航空航天大学 2017
[6]智能视频监控系统中的行人重识别方法研究[D]. 彭志勇.山东大学 2016
[7]基于混合高斯模型的面板数据聚类研究[D]. 黄咏宁.华南理工大学 2016
[8]基于度量学习和深度学习的行人重识别研究[D]. 杨钰源.重庆大学 2016
[9]监控视频下行人再识别技术研究[D]. 罗雯怡.电子科技大学 2016
[10]基于matching-CNN的行人再识别[D]. 徐志敏.西安电子科技大学 2015
本文编号：3290086
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3290086.html
