基于深度多特征距离学习的行人重识别方法研究

发布时间：2023-11-20 17:18

　　行人重识别的目的是在不同位置和不同摄像机拍摄到的行人中识别出相同的行人。由于行人容易受到姿态、照明、背景以及遮挡等方面的影响,使得行人重识别方法在本质上具有挑战性。为了提高行人重识别的性能,本文对行人重识别方法进行了研究,主要的研究内容可以概括为以下两个方面:(1)基于深度多视图特征距离融合原理,提出了一种新的行人重识别方法。该方法通过利用传统特征和深度特征的相互协作来提高行人重识别的识别精度。首先,将滑框技术应用在卷积层,对卷积特征进行不同尺度的处理,得到一种新的低维的深度区域聚合特征向量,新得到的卷积特征维数等于卷积层的通道数;其次,在使用交叉视图二次判别分析距离度量方法的基础上,将深度区域聚合特征和手工特征进行融合,提出了一种多视图特征距离学习的算法;最后,利用加权融合策略来完成深度区域聚合特征和传统手工特征之间的协作。大量的实验数据表明通过距离加权融合之后行人重识别的精度明显高于基于单一的特征距离度量取得的识别结果,并且证明了所提的深度区域特征和算法模型的有效性。(2)考虑不同层次的卷积特征的更多互补优势,基于多尺度卷积特征融合特性,提出了一种新的行人重识别方法。在训练阶段,使...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 前言
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 基于手工特征的行人重识别
        1.2.2 基于深度学习的行人重识别
    1.3 论文主要研究内容
    1.4 论文组织结构
2 行人重识别研究概述
    2.1 行人重识别系统概要
    2.2 卷积神经网络在行人重识别的应用
    2.3 行人重识别数据库
    2.4 行人重识别的算法评价指标
    2.5 本章小结
3 基于深度多视图特征距离学习的行人重识别
    3.1 区域特征聚合方法
    3.2 局部最大特征的提取
    3.3 多特征距离学习
        3.3.1 XQDA距离度量
        3.3.2 加权融合策略
    3.4 实验结果与分析
        3.4.1 加权参数的选择
        3.4.2 微调策略分析
        3.4.3 与其他算法结果对比
    3.5 本章小结
4 基于多尺度卷积特征融合的行人重识别
    4.1 优化的Resnet-50 神经网络
        4.1.1 数据预处理
        4.1.2 损失函数
        4.1.3 学习率
        4.1.4 训练过程
    4.2 基于Resnet-50 神经网络的特征提取
        4.2.1 池化策略
        4.2.2 多尺度卷积特征提取
    4.3 重排序策略
    4.4 实验结果与分析
    4.5 本章小结
5 结论与展望
    5.1 结论
    5.2 展望
致谢
参考文献
攻读学位期间主要研究成果



本文编号：3865498