基于卷积神经网络的视频行人重识别算法研究
发布时间：2021-09-21 22:29
随着国家推进“平安城市”“天网工程”“雪亮工程”来建设多级视频监控并联网应用,监控视频的数量与日俱增,在安保方面单靠人力资源在海量的视频里进行行人追踪和监控将会非常的困难。而行人重识别是解决这一问题的关键技术,它是计算机视觉领域一个非常重要的且具有挑战性的课题,因为实际应用场景下环境复杂,摄像头视角和光照等条件变化大且容易存在多个行人之间的遮挡现象。因此,如何提取出全面且辨别性强的行人特征是当前研究行人重识别任务需要重点关注的问题。随着卷积神经网络的发展,使用卷积神经网络模型对行人特征进行提取可以有效的提高行人重识别的准确率。本文基于卷积神经网络对行人重识别模型及算法进行研究,主要研究工作如下:（1）针对当前数据集中图像的不对齐导致难以获得较全面的行人描述符问题。本文结合细粒度识别框架,提出了基于双线性CNN和分块特征的行人重识别模型。该模型使用精简的残差网络组成双线性框架,并使用分支网络对特征进行水平分块后继续对分块进行更加细粒度特征的提取,使得融合后的行人既包含全身特征,又包含分块的细粒度特征,这两部分特征组成同时包含全身和其他分块信息的行人描述符,从而提升模型的准确率。训练时使用...
【文章来源】：兰州交通大学甘肃省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
行人重识别流程图
Ｗ祭词迪值摹！靶腥酥厥侗稹蔽侍庠?005年才被正式命名。下一年，机器视觉顶会CVPR才把行人重识别看待为一个单独的任务。2007年，第一个行人重识别数据集VIPeR公开，为该问题的研究提供了一个公平可靠的度量标准。2010年，开始着力研究基于视频的行人重识别，选取同一个行人的多个视频帧来作为输入来进行目标的识别。2012年，有关行人重识别的综述和专著在ECCV召开的专题的研讨会后分别被发表。随着神经网络在ImageNet数据集上面的优越表现，卷积神经网络才开始被逐渐引入行人重识别任务，大量的实验说明，基于卷积神经网络图1.2行人重识别的发展
基于卷积神经网络的视频行人重识别算法研究-10-2相关技术概述卷积神经网络的快速发展使得很多研究课题注入新的活力，尤其在被引入到行人重识别任务后，基于卷积神经网络的模型体现出了手工特征无法比拟的优势，并且逐渐成为行人重识别领域的主要研究方向。本章中首先对卷积神经网络的基本原理和结构进行介绍；然后对本文研究行人重识别任务所涉及到的基础网络模型和模块组成进行概述；在此基础上，进一步介绍了行人重识别任务的目标、训练和识别流程、常用数据集以及评价标准。2.1经典卷积神经网络架构随着近些年来卷积神经网络在计算机视觉领域的发展，诞生了很多理论研究成果和效果非常好的网络模型。最先进入人们视野的是AlexKrizhevsky及其团队在2012年ILSVR竞赛中使用的AlexNet[42]，这是首次在大赛中使用卷积神经网络模型并且以领先第二名20多个百分点的优势夺冠，随后掀起了一场卷积神经网络的浪潮。后来，也有很多优秀的卷积神经网络模型被提出，2014年，Google团队在当年的大赛中提出GoogLeNet[43]。但是随着网络层数的加深，也伴随着梯度消失，深层网络效果变差等问题。针对上面的问题何恺明等人提出ResNet[45]，使用该网络模型在ILSVR竞赛上面取得了分类、检测、定位等等多个项目的冠军。本文在GoogLeNet和ResNet这两个网络模型的基础上进行行人重识别网络模型的研究。2.1.1AlexNet模型图2.1AlexNet模型输入卷积层1卷积层2卷积层3卷积层4卷积层5全连接层1全连接层2全连接层3
【参考文献】：
期刊论文
[1]基于多尺度生成对抗网络的遮挡行人重识别方法[J]. 杨婉香,严严,陈思,张小康,王菡子. 软件学报. 2020(07)
[2]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)
[3]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)
[4]行人重识别研究综述[J]. 宋婉茹,赵晴晴,陈昌红,干宗良,刘峰. 智能系统学报. 2017(06)
[5]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)
[6]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)
[7]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)
[8]基于空间颜色特征的行人重识别方法[J]. 张华. 华中科技大学学报(自然科学版). 2013(S2)
博士论文
[1]基于度量学习的行人重识别方法研究[D]. 王金.华中科技大学 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
本文编号：3402612
【文章来源】：兰州交通大学甘肃省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
行人重识别流程图
Ｗ祭词迪值摹！靶腥酥厥侗稹蔽侍庠?005年才被正式命名。下一年，机器视觉顶会CVPR才把行人重识别看待为一个单独的任务。2007年，第一个行人重识别数据集VIPeR公开，为该问题的研究提供了一个公平可靠的度量标准。2010年，开始着力研究基于视频的行人重识别，选取同一个行人的多个视频帧来作为输入来进行目标的识别。2012年，有关行人重识别的综述和专著在ECCV召开的专题的研讨会后分别被发表。随着神经网络在ImageNet数据集上面的优越表现，卷积神经网络才开始被逐渐引入行人重识别任务，大量的实验说明，基于卷积神经网络图1.2行人重识别的发展
基于卷积神经网络的视频行人重识别算法研究-10-2相关技术概述卷积神经网络的快速发展使得很多研究课题注入新的活力，尤其在被引入到行人重识别任务后，基于卷积神经网络的模型体现出了手工特征无法比拟的优势，并且逐渐成为行人重识别领域的主要研究方向。本章中首先对卷积神经网络的基本原理和结构进行介绍；然后对本文研究行人重识别任务所涉及到的基础网络模型和模块组成进行概述；在此基础上，进一步介绍了行人重识别任务的目标、训练和识别流程、常用数据集以及评价标准。2.1经典卷积神经网络架构随着近些年来卷积神经网络在计算机视觉领域的发展，诞生了很多理论研究成果和效果非常好的网络模型。最先进入人们视野的是AlexKrizhevsky及其团队在2012年ILSVR竞赛中使用的AlexNet[42]，这是首次在大赛中使用卷积神经网络模型并且以领先第二名20多个百分点的优势夺冠，随后掀起了一场卷积神经网络的浪潮。后来，也有很多优秀的卷积神经网络模型被提出，2014年，Google团队在当年的大赛中提出GoogLeNet[43]。但是随着网络层数的加深，也伴随着梯度消失，深层网络效果变差等问题。针对上面的问题何恺明等人提出ResNet[45]，使用该网络模型在ILSVR竞赛上面取得了分类、检测、定位等等多个项目的冠军。本文在GoogLeNet和ResNet这两个网络模型的基础上进行行人重识别网络模型的研究。2.1.1AlexNet模型图2.1AlexNet模型输入卷积层1卷积层2卷积层3卷积层4卷积层5全连接层1全连接层2全连接层3
【参考文献】：
期刊论文
[1]基于多尺度生成对抗网络的遮挡行人重识别方法[J]. 杨婉香,严严,陈思,张小康,王菡子. 软件学报. 2020(07)
[2]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)
[3]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)
[4]行人重识别研究综述[J]. 宋婉茹,赵晴晴,陈昌红,干宗良,刘峰. 智能系统学报. 2017(06)
[5]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)
[6]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)
[7]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)
[8]基于空间颜色特征的行人重识别方法[J]. 张华. 华中科技大学学报(自然科学版). 2013(S2)
博士论文
[1]基于度量学习的行人重识别方法研究[D]. 王金.华中科技大学 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
本文编号：3402612
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3402612.html
