基于深度学习的行人重识别研究及其FPGA实现
发布时间：2021-07-25 11:25
行人重识别是指具有不重叠视场的多摄像机网络中的行人匹配,它可以从多个摄像头捕获的行人图像中识别出给定的行人目标。行人重识别问题在智能视频监控中有极高的应用价值,具有重要的研究意义。本文提出了一种基于深度学习的行人重识别算法,应用于实验室、教室等需要对识别匹配行人目标具有一定实时性的场所,并在FPGA（Field Programmable Gate Array）上对该算法进行实现和验证。本文主要研究内容和结论如下:本文首先介绍行人重识别相关基础理论,通过分析各类行人重识别的算法优缺点后,最终选择基于深度学习的方法解决行人重识别任务;随后,介绍了深度学习中卷积神经网络的基本原理,并详细分析了基于深度学习算法的Improved DL网络。为使Improved DL网络模型结构在本文的应用场景下完成对实时性的要求,因此提出了改进的基于深度学习的行人重识别算法,在满足该场景对行人重识别算法性能需求的情况下,提升单次行人重识别速度,减少网络运算量。本文实验中对Market1501数据库训练测试结果表明,行人重识别速度优于Improved DL网络。在完成算法设计的基础上进行硬件的实现与验证。由于F...
【文章来源】：西安理工大学陕西省
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
本文内容结构图
疃妊?暗男腥酥厥侗鹜?缒Ｐ筒⒔?邢晗傅?分析与说明。2.1行人重识别基本框架本文主要研究行人重识别的相关问题，其整体流程为提供一个待查询的行人图像，基于相关的模型网络，并在候选库图像中检索到最有可能为同一个行人的图像。由于训练过程中，可以使用标签对输入的行人图像对进行标记，这点与验证任务相似。在测试过程中，测试集中的行人不能与测试集中的行人重复，这点与检索任务相似。因此本文将训练过程中的行人重识别视为验证任务，测试中视为检索任务，降低了问题的复杂性，使其具有更好的辨别力。具体流程图如图2-1所示。图2-1行人重识别过程Figure2-1ProcessofPedestrianre-identification从图2-1可以看出，行人重识别的相关研究一般由两部分组成：(1)特征提取，即将原始行人图像数据经过一定的分析和处理后，再将行人图像特征以特定的格式输出。(2)距离度量，即将输出的行人图像特征与待对比的特征进行相应运算比较，根据相似度预测两个输入行人图像是否属于同一行人标签。2.2基于经典算法的行人重识别在深度学习发展之前，研究人员在处理行人重识别任务时一般使用人工设计的特征描述子对行人图像进行描述，再通过常用的度量函数对其进行分类达到行人重识别的目的。这些较为经典的算法大多将行人重识别中的特征提取和距离度量分立开来，下面对其进行简要的分析与总结。
西安理工大学硕士学位论文10(3)余弦距离余弦距离是根据数学中余弦夹角的相关概念得到的，它的取值范围在[-1,1]之间，它表示的是两个样本向量之间的相似度，对于离群的孤立点，具有较好的鲁棒性。假设样本与样本，其余弦距离计算的表达式可以表示为公式(2-4)：th(2-4)公式(2-4)中n为样本x和y的维数。2.2.3经典行人重识别算法特点从对经典算法的举例分析来看，通常其处理行人重识别方法的基本思路是固定其单一方面而集中优化另一方面的算法，两者之间没有协同优化；并且通常使用手动设计的方式来提取图像特征，距离度量中的函数大多采用线性变化得到的，而行人样本处于非线性空间中，这些方法都不能很好的处理行人重识别的问题，也不能很好地应对行人图像受到光照、姿态、视觉角度、图像分辨率、相机的位置、遮挡以及背景混乱等影响。因此采用经典的方法处理行人重识别任务时具有一定局限性。2.3基于深度学习的行人重识别随着深度学习技术的发展，出现了许多共同学习特征表达和距离函数的方法。在2015年Ahmed[38]等人提出了一种基于深度卷积架构的网络ImprovedDL(ImprovedDeepLearning)用来处理行人重识别这一问题。在一定程度上解决了上述难点。本节先介绍人工神经网络，再介绍卷积神经网络的特点与构成及其网络学习的相关知识,最后详细说明基于深度学习的ImprovedDL网络。2.3.1卷积神经网络原理卷积神经网络(CNN)[42]是深度学习中具有代表性的算法之一，该网络为深度结构的神经网络同时包含卷积计算，通过反向传播算法参数达到训练卷积神经网络中的目的，最终完成深度学习的算法。人工神经网络中基本的处理单元为神经元，通常为多输入单一输出的非线性单元，其结构模型如图2-2所示：图2-2神经元模型Figure2-2Neuronalmodel
【参考文献】：
期刊论文
[1]基于LBP-HSV模型及改进SIFT算法的行人再识别算法[J]. 晋丽榕,王海梅,徐丹萍. 计算机测量与控制. 2018(05)
[2]一种基于HOG和颜色自相似性特征的行人检测方法[J]. 张金慧,吴斌,邵延华. 电脑知识与技术. 2018(02)
[3]Gabor小波与HOG特征融合的行人识别算法[J]. 包晓敏,任文静,吕文涛. 无线电工程. 2017(10)
[4]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)
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
[3]基于显著性特征的行人再识别算法研究[D]. 顾静.南京邮电大学 2016
本文编号：3301938
【文章来源】：西安理工大学陕西省
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
本文内容结构图
疃妊?暗男腥酥厥侗鹜?缒Ｐ筒⒔?邢晗傅?分析与说明。2.1行人重识别基本框架本文主要研究行人重识别的相关问题，其整体流程为提供一个待查询的行人图像，基于相关的模型网络，并在候选库图像中检索到最有可能为同一个行人的图像。由于训练过程中，可以使用标签对输入的行人图像对进行标记，这点与验证任务相似。在测试过程中，测试集中的行人不能与测试集中的行人重复，这点与检索任务相似。因此本文将训练过程中的行人重识别视为验证任务，测试中视为检索任务，降低了问题的复杂性，使其具有更好的辨别力。具体流程图如图2-1所示。图2-1行人重识别过程Figure2-1ProcessofPedestrianre-identification从图2-1可以看出，行人重识别的相关研究一般由两部分组成：(1)特征提取，即将原始行人图像数据经过一定的分析和处理后，再将行人图像特征以特定的格式输出。(2)距离度量，即将输出的行人图像特征与待对比的特征进行相应运算比较，根据相似度预测两个输入行人图像是否属于同一行人标签。2.2基于经典算法的行人重识别在深度学习发展之前，研究人员在处理行人重识别任务时一般使用人工设计的特征描述子对行人图像进行描述，再通过常用的度量函数对其进行分类达到行人重识别的目的。这些较为经典的算法大多将行人重识别中的特征提取和距离度量分立开来，下面对其进行简要的分析与总结。
西安理工大学硕士学位论文10(3)余弦距离余弦距离是根据数学中余弦夹角的相关概念得到的，它的取值范围在[-1,1]之间，它表示的是两个样本向量之间的相似度，对于离群的孤立点，具有较好的鲁棒性。假设样本与样本，其余弦距离计算的表达式可以表示为公式(2-4)：th(2-4)公式(2-4)中n为样本x和y的维数。2.2.3经典行人重识别算法特点从对经典算法的举例分析来看，通常其处理行人重识别方法的基本思路是固定其单一方面而集中优化另一方面的算法，两者之间没有协同优化；并且通常使用手动设计的方式来提取图像特征，距离度量中的函数大多采用线性变化得到的，而行人样本处于非线性空间中，这些方法都不能很好的处理行人重识别的问题，也不能很好地应对行人图像受到光照、姿态、视觉角度、图像分辨率、相机的位置、遮挡以及背景混乱等影响。因此采用经典的方法处理行人重识别任务时具有一定局限性。2.3基于深度学习的行人重识别随着深度学习技术的发展，出现了许多共同学习特征表达和距离函数的方法。在2015年Ahmed[38]等人提出了一种基于深度卷积架构的网络ImprovedDL(ImprovedDeepLearning)用来处理行人重识别这一问题。在一定程度上解决了上述难点。本节先介绍人工神经网络，再介绍卷积神经网络的特点与构成及其网络学习的相关知识,最后详细说明基于深度学习的ImprovedDL网络。2.3.1卷积神经网络原理卷积神经网络(CNN)[42]是深度学习中具有代表性的算法之一，该网络为深度结构的神经网络同时包含卷积计算，通过反向传播算法参数达到训练卷积神经网络中的目的，最终完成深度学习的算法。人工神经网络中基本的处理单元为神经元，通常为多输入单一输出的非线性单元，其结构模型如图2-2所示：图2-2神经元模型Figure2-2Neuronalmodel
【参考文献】：
期刊论文
[1]基于LBP-HSV模型及改进SIFT算法的行人再识别算法[J]. 晋丽榕,王海梅,徐丹萍. 计算机测量与控制. 2018(05)
[2]一种基于HOG和颜色自相似性特征的行人检测方法[J]. 张金慧,吴斌,邵延华. 电脑知识与技术. 2018(02)
[3]Gabor小波与HOG特征融合的行人识别算法[J]. 包晓敏,任文静,吕文涛. 无线电工程. 2017(10)
[4]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)
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
[3]基于显著性特征的行人再识别算法研究[D]. 顾静.南京邮电大学 2016
本文编号：3301938
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3301938.html
最近更新
教材专著
