基于深度学习的行人再识别技术研究与实现

发布时间：2021-10-27 09:21

　　行人识别一直是计算机视觉人工智能领域的研究热点之一。近年来,人工智能发展迅速,智能机器人,自动机器人驾驶,智能视频监控系统等应用的不断出现使得行人识别问题的研究越来越重要。行人识别主要是利用计算机视觉技术和人工智能技术对摄像机下出现的行人目标进行分析,从而进一步获取他们的运动状态,对打击犯罪,交通控制,自动驾驶有很大的作用。非重叠视域下的行人再识别的实质就是判断一个在摄像头监控下的行人是否在另一个摄像头下出现并能持续性的跟踪。在现实的行人识别场景中,由于摄像机角度的变化,背景因素的影响,光照强度的变化,行人姿势的改变和行人运动过程中遮挡物的出现,使得监控系统采集到的行人外观差异较大,由此给行人再识别问题带来了极大的挑战性。本文在卷积神经网络（Convolutional Neural Networks,简称CNN）的训练中,加入行人的属性特征联合训练,用网络训练出的结果进行行人的识别。本文使用CNN进行行人的姿态关节检测,并构建行人PoseBox的行人预处理数据集。先使用CPM（Convolutional pose machines）框架对原有数据集进行行人的关节点检测。利用行人的关节点... 

【文章来源】：南京邮电大学江苏省

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

Market501数据集样例

对人力物力是个极大的考验。针对以上的行人预处理的问题，本文入的行人预处理方式，并结合深度学习方法来解决上述问题。该算法减轻了光照，遮挡，视角变化等因素的影响。图 1.1 Market501 数据集样例

图 1.3 不同摄像机下视角不同的行人1.3 行人再识别研究现状在实际场景中的视频监控中，光照强度的变化导致的行人外观颜色变化，摄像机不同造成行人外观的不同，以及行人走路过程中的姿势变化导致行人外观的变形，给识别问题带来了极大的挑战。针对以上行人识别中的问题，研究者们采取了各种各样去解决。目前行人识别的研究方法大概可以分为三种：手动特征法[9-10]、基于深度学习11-13]、基于距离测度学习[14-15]的方法。手动特征法是最早出现的解决行人再识别问题的方法，该方法侧重于提取鲁棒性外观特征描述子，之后对这些特征外观描述子进行特征匹配。手动特征法不需要进行的学习，取而代之的是直接提取行人图片的特征向量，之后采用欧式距离或巴氏距离行人特征的匹配。基于手动特征法的行人识别算法对提取的行人图像特征要求较高，

【参考文献】：
期刊论文
[1]基于多特征子空间与核学习的行人再识别[J]. 齐美彬,檀胜顺,王运侠,刘皓,蒋建国.  自动化学报. 2016(02)
[2]多特征融合的人体目标再识别[J]. 范彩霞,朱虹,蔺广逢,罗磊.  中国图象图形学报. 2013(06)



本文编号：3461316