基于深度学习的行人再识别算法研究与仿真
发布时间：2021-08-29 10:35
行人再识别是近年来计算机视觉任务里一个研究的热点话题。行人再识别任务的内容是在一个场景不重叠的监控网络里,对不同时间不同地点出现的行人进行匹配、识别,以实现对特定目标的查找、追踪。行人再识别技术对于刑侦、疑犯追踪、公共场所走失行人的查找等领域的应用有着重要的实际价值。然而,行人图像在跨越监控场景的过程中,受到光照、角度、步态以及背景变化,导致行人的图像表观特征十分不稳定,存在对不准问题,使得行人识别变得十分困难,因此吸引了大量的国内外学者对该任务展开研究。本文中定位影响行人再识别问题识别精度的主要原因是由于小样本问题以及图像特征的对不准问题,采用多域联合的深度网络模型提取特征表达模型,并基于深度学习算法,添加新的度量层,对行人图像进行更加准确的度量。本文的主要工作如下:首先,对行人再识别任务中的特征提取和距离度量两个关键内容和现有算法进行了阐述和总结,并通过编程仿真,对不同方法的效果进行了对比分析研究。行人再识别任务的难点在于对不准问题,训练数据与测试数据在度量空间中存在较大差异。然后,本文引入了多域联合的深度网络模型,联合多个数据集对行人的表观图像特征进行提取,并通过域指导的Drop...
【文章来源】：西安科技大学陕西省
【文章页数】：49 页
【学位级别】：硕士
【部分图文】：
因此，LBP模型的思想为:在目标像素邻
西安科技大学硕士学位论文8模型之一。该特征提取方法计算简单，并且对几何变换具有良好的鲁棒性。颜色直方图是将图像转化到HSV或其他色彩空间，然后对颜色的数值分布进行区间划分，然后计算对应每种颜色的频数，从而得到颜色分布的统计直方图。从颜色直方图方法的定义和计算方法可以看出，该特征模型得到的结果对于像素在统计范围内的空间分布变化具有不变性，因此该模型对于行人再识别特征表达具有较好的鲁棒性。颜色直方图特征模型的数学表达方式如下：(),0,1,2,,1knHkkLnL(2.4)上式中k表示颜色划分的等级，L为对应的等级划分总数量，nk表示第k个划分区间的统计频数，n表示总的像素数量。2.2.2纹理特征纹理特征是图像内容表观特征另一种有效描述，重点在于图像中的边缘细节信息。纹理特征的典型模型有LBP、SILTP。(1)局部二值模式LBP模型。LBP是最为经典，最为有显著的纹理特征表达模型，许多纹理特征都是基于纹理特征提出的。LBP是将每个像素在其邻域内，通过像素数值大小对比关系转化为一种二值编码表达。该模型的原理介绍如下：定义C为目标像素，P和R为目标像素邻域内的像素个数和邻域定义的半径，接下来选择一个起点和方向，依次建立起目标像素与邻域像素集合的联合概率密度函数01,,,cPTtggg对目标点位置的纹理特点进行表述，kg表示对应点的像素值。图2.1给出了3种常见的LBP算子，即中心点及其邻域关系图。图2.1LBP算子因此，LBP模型的思想为:在目标像素邻域结构中定义起点位置，选择一个方向(顺/逆时针)，依次与中心点比较像素大小，用0-1表示大小关系，从而形成一个二进制编码串，数学表达式如下：10,2PppPcpRBPggsL(2.5)
LOMO特征[8]
【参考文献】：
期刊论文
[1]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)
[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]基于姿态对齐的行人重识别方法（英文）[J]. 王金,刘洁,高常鑫,桑农. 控制理论与应用. 2017(06)
[4]基于增强聚合通道特征的实时行人重识别[J]. 黄新宇,许娇龙,郭纲,郑二功. 激光与光电子学进展. 2017(09)
[5]基于融合特征的行人再识别方法[J]. 袁立,田子茹. 模式识别与人工智能. 2017(03)
[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)
[8]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)
[9]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]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]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
[2]多视频监控系统中行人再识别技术研究[D]. 齐霁.华中科技大学 2016
本文编号：3370491
【文章来源】：西安科技大学陕西省
【文章页数】：49 页
【学位级别】：硕士
【部分图文】：
因此，LBP模型的思想为:在目标像素邻
西安科技大学硕士学位论文8模型之一。该特征提取方法计算简单，并且对几何变换具有良好的鲁棒性。颜色直方图是将图像转化到HSV或其他色彩空间，然后对颜色的数值分布进行区间划分，然后计算对应每种颜色的频数，从而得到颜色分布的统计直方图。从颜色直方图方法的定义和计算方法可以看出，该特征模型得到的结果对于像素在统计范围内的空间分布变化具有不变性，因此该模型对于行人再识别特征表达具有较好的鲁棒性。颜色直方图特征模型的数学表达方式如下：(),0,1,2,,1knHkkLnL(2.4)上式中k表示颜色划分的等级，L为对应的等级划分总数量，nk表示第k个划分区间的统计频数，n表示总的像素数量。2.2.2纹理特征纹理特征是图像内容表观特征另一种有效描述，重点在于图像中的边缘细节信息。纹理特征的典型模型有LBP、SILTP。(1)局部二值模式LBP模型。LBP是最为经典，最为有显著的纹理特征表达模型，许多纹理特征都是基于纹理特征提出的。LBP是将每个像素在其邻域内，通过像素数值大小对比关系转化为一种二值编码表达。该模型的原理介绍如下：定义C为目标像素，P和R为目标像素邻域内的像素个数和邻域定义的半径，接下来选择一个起点和方向，依次建立起目标像素与邻域像素集合的联合概率密度函数01,,,cPTtggg对目标点位置的纹理特点进行表述，kg表示对应点的像素值。图2.1给出了3种常见的LBP算子，即中心点及其邻域关系图。图2.1LBP算子因此，LBP模型的思想为:在目标像素邻域结构中定义起点位置，选择一个方向(顺/逆时针)，依次与中心点比较像素大小，用0-1表示大小关系，从而形成一个二进制编码串，数学表达式如下：10,2PppPcpRBPggsL(2.5)
LOMO特征[8]
【参考文献】：
期刊论文
[1]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)
[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]基于姿态对齐的行人重识别方法（英文）[J]. 王金,刘洁,高常鑫,桑农. 控制理论与应用. 2017(06)
[4]基于增强聚合通道特征的实时行人重识别[J]. 黄新宇,许娇龙,郭纲,郑二功. 激光与光电子学进展. 2017(09)
[5]基于融合特征的行人再识别方法[J]. 袁立,田子茹. 模式识别与人工智能. 2017(03)
[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)
[8]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)
[9]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]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]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
[2]多视频监控系统中行人再识别技术研究[D]. 齐霁.华中科技大学 2016
本文编号：3370491
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3370491.html
