基于多粒度特征深度学习的行人再识别算法研究
发布时间：2021-11-13 13:23
行人再识别是一种热门的计算机视觉算法,其利用生活中的监控摄像头拍摄的图像实现行人跨区域再次检索,即行人跨境追踪。行人再识别算法的研究对于推动公共安防事业的发展有着重要的意义。由于受到环境的限制,行人再识别在实际应用中面临着一些难题,如:行人对不齐、背景干扰等。为了提高行人再识别的准确率,解决行人再识别中存在的对不齐和背景干扰的问题,本研究在常用的水平分割方法的基础上进行改进,重点研究了基于多粒度特征深度学习的行人再识别算法。本文主要研究内容如下:研究人体局部区域定位算法,来实现人体上、下半身检测。为了提高算法对于行人图像上、下半身的检测的成功率,同时提高网络对模糊图片的检测效果,该算法在Yolov1目标检测算法的基础上,对特征提取网络进行替换、对网格分割策略进行修改、修改网络输入图像尺寸、加入了数据预处理机制。通过实验测试改进前、后的Yolov1算法对人体上、下半身的检测效果,证明所研究的人体局部区域定位算法比Yolov1拥有更好的人体上、下半身检测的效果。为了缓解行人对不齐和背景干扰问题,对传统的水平分割进行改进,提出一种行人特征图精准分割方法。该方法利用人体局部区域定位算法提取的行...
【文章来源】：沈阳工业大学辽宁省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
PC端Market1501数据集结构截图
第3章多粒度特征融合行人再识别算法47f(x)=max(x,x)（3.14）其中，是一个很小的参数，一般取0.001。LeakeyReLU函数曲线图如图3.16所示。图3.16LeakeyReLU函数曲线Fig.3.16LeakeyReLUfunctioncurve通过上述对11卷积层、BN层、激活函数的分析得到了降维层的结构如图3.17所示。20481111,1,02048,256convstridepaddinginout====2561125611()()()()()()[][]kkkkkkxExyVarx=+25611卷积层BN层激活函数102411f(x)=max(x,x)图3.17降维层结构Fig.3.17Dimensionalityreductionlayerstructure
沈阳工业大学硕士学位论文66图3.33行人再识别软件主界面Fig.3.33Themaininterfaceofthepersonre-identificationsoftware图3.34检测结果展示Fig.3.34Testresultdisplay从图3.34可以看出，最右侧的单独的一张图片为目标行人图像，在通过再识别算法计算后，可以得到左侧五张排序后的行人图像。这五张图像中从左数第一张为相似度最高的，接下来相似度依次降低。经过多次测试发现，这款软件可以很好的对视频中的行人进行再识别，同时说明多粒度特征融合行人再识别算法在一定程度上可以实现简单的行人再识别在现实场景下的应用。3.5本章小结（1）提出了一种多粒度特征融合行人再识别算法。通过引入人体上、下半身坐标分割人体全局特征图，并融合全局特征、局部上、下半身特征、浅层重叠四分割特征，在一定程度上缓解了行人图像背景干扰和人体姿态对不齐对识别准确率的影响，在
【参考文献】：
期刊论文
[1]通道互注意机制下的部位对齐行人再识别[J]. 陈巧媛,陈莹. 计算机辅助设计与图形学学报. 2020(08)
[2]基于HSV颜色空间的运动目标识别[J]. 付长斐,叶宾,李会军. 控制与信息技术. 2020(02)
[3]深度神经网络中激活函数的研究[J]. 牟晋娟. 电脑编程技巧与维护. 2019(12)
[4]区域块分割与融合的行人再识别[J]. 蒋建国,杨宁,齐美彬,陈翠群. 中国图象图形学报. 2019(04)
[5]行人再识别技术综述[J]. 李幼蛟,卓力,张菁,李嘉锋,张辉. 自动化学报. 2018(09)
[6]行人再识别研究进展综述[J]. 张建明,羊立,成科扬. 信息技术. 2017(10)
[7]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)
[8]常用图像去噪滤波方法比较分析[J]. 王俊芳,王正欢,王敏. 现代商贸工业. 2009(16)
硕士论文
[1]基于深度学习的脱机手写汉字识别技术研究[D]. 黄洋.重庆邮电大学 2019
[2]基于深度学习的行人再识别研究[D]. 何兰.西安电子科技大学 2018
[3]基于多属性融合的行人再识别研究[D]. 柳茂林.华中科技大学 2017
本文编号：3493098
【文章来源】：沈阳工业大学辽宁省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
PC端Market1501数据集结构截图
第3章多粒度特征融合行人再识别算法47f(x)=max(x,x)（3.14）其中，是一个很小的参数，一般取0.001。LeakeyReLU函数曲线图如图3.16所示。图3.16LeakeyReLU函数曲线Fig.3.16LeakeyReLUfunctioncurve通过上述对11卷积层、BN层、激活函数的分析得到了降维层的结构如图3.17所示。20481111,1,02048,256convstridepaddinginout====2561125611()()()()()()[][]kkkkkkxExyVarx=+25611卷积层BN层激活函数102411f(x)=max(x,x)图3.17降维层结构Fig.3.17Dimensionalityreductionlayerstructure
沈阳工业大学硕士学位论文66图3.33行人再识别软件主界面Fig.3.33Themaininterfaceofthepersonre-identificationsoftware图3.34检测结果展示Fig.3.34Testresultdisplay从图3.34可以看出，最右侧的单独的一张图片为目标行人图像，在通过再识别算法计算后，可以得到左侧五张排序后的行人图像。这五张图像中从左数第一张为相似度最高的，接下来相似度依次降低。经过多次测试发现，这款软件可以很好的对视频中的行人进行再识别，同时说明多粒度特征融合行人再识别算法在一定程度上可以实现简单的行人再识别在现实场景下的应用。3.5本章小结（1）提出了一种多粒度特征融合行人再识别算法。通过引入人体上、下半身坐标分割人体全局特征图，并融合全局特征、局部上、下半身特征、浅层重叠四分割特征，在一定程度上缓解了行人图像背景干扰和人体姿态对不齐对识别准确率的影响，在
【参考文献】：
期刊论文
[1]通道互注意机制下的部位对齐行人再识别[J]. 陈巧媛,陈莹. 计算机辅助设计与图形学学报. 2020(08)
[2]基于HSV颜色空间的运动目标识别[J]. 付长斐,叶宾,李会军. 控制与信息技术. 2020(02)
[3]深度神经网络中激活函数的研究[J]. 牟晋娟. 电脑编程技巧与维护. 2019(12)
[4]区域块分割与融合的行人再识别[J]. 蒋建国,杨宁,齐美彬,陈翠群. 中国图象图形学报. 2019(04)
[5]行人再识别技术综述[J]. 李幼蛟,卓力,张菁,李嘉锋,张辉. 自动化学报. 2018(09)
[6]行人再识别研究进展综述[J]. 张建明,羊立,成科扬. 信息技术. 2017(10)
[7]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)
[8]常用图像去噪滤波方法比较分析[J]. 王俊芳,王正欢,王敏. 现代商贸工业. 2009(16)
硕士论文
[1]基于深度学习的脱机手写汉字识别技术研究[D]. 黄洋.重庆邮电大学 2019
[2]基于深度学习的行人再识别研究[D]. 何兰.西安电子科技大学 2018
[3]基于多属性融合的行人再识别研究[D]. 柳茂林.华中科技大学 2017
本文编号：3493098
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3493098.html
