基于显著区域特征的行人再识别技术研究
发布时间：2021-07-12 13:55
行人再识别技术已经被应用在机场、高铁站、校园、商场以及小区等关键区域的监控系统中,与人脸识别严苛的约束相比,基于行人外观的再识别在特征获取和特征表达方面具有更加丰富和便捷的优势。然而,由于行人的非刚性特征,基于外观特征的行人再识别研究在准确性方面与用户的实际需求相差较大,相关研究工作面临着严峻的挑战。高可辨的行人外观特征反映了视频序列中行人图像集合的类间和类内差异度,是提高行人再识别准确性的重要基础。在众多行人外观特征表示方法中,显著区域特征可以有效增强类间特征差异度,同时降低类内特征差异度。此外,研究与应用场景相适应的特征相似度度量方法也是提高行人再识别准确性的关键。本文首先针对静态查询行人图像与未分类行人视频图像集合场景,设计了一种基于静态行人图像显著区域特征博弈匹配的行人再识别算法。其次,针对行人视频的再识别应用场景,设计了两种适用于行人视频图像集合的行人再识别算法:基于显著区域特征聚类的行人图像到视频再识别算法和基于显著区域特征的行人视频匹配算法。通过仿真实验验证,上述三类算法均可有效提高对应应用场景中行人再识别的准确度。本文的主要工作如下:1.基于静态行人图像显著区域特征博弈...
【文章来源】：南京邮电大学江苏省
【文章页数】：126 页
【学位级别】：博士
【部分图文】：
基于人工特征选择方法的行人再识别流程
南京邮电大学博士研究生学位论文第一章绪论9本文所提取的行人图像显著区域既包含了行人的显著特征，又保留了包含在显著特征中间的细微特征。当候选图像集合中行人特征差异较大时，显著区域中的显著特征起主导作用，可以快速的辨别同类行人；而当候选图像集合中存在显著特征相似的非同类行人时，显著特征的辨别能力则会明显下降，此时包含在显著特征之间的细微特征则会成为提高再识别性能的主导因素。在行人显著区域特征距离度量方面，本文分别采用了无监督的距离度量和监督距离度量学习两种方法，分别实现了适用于未分类候选行人视频图像集场景的基于显著区域特征博弈匹配的行人再识别算法、适用于行人视频图像序列的基于显著区域特征聚类的行人再识别算法和基于显著区域特征的行人视频匹配算法。无监督特征距离度量直接将从行人图像中提取的特征向量用于距离计算，特征向量间的相似程度则由特征间的距离来表示，距离越小则说明两张行人图像相似度越高。通过实验结果分析和比较，无监督的距离度量方法由于无法对类内和类间特征进行区别化处理，因此在特征相似度度量方面没有监督距离学习方法更有优势。因此，本文所设计的再识别方法均采用监督学习的距离度量方法，且经过在公开行人再识别数据集上实验，与现有典型相关行人再识别算法比较，再识别精确度均有明显的提高。本文主要工作的组织结构如图1.5所示。图1.5本文主要研究工作的组织结构图本文的具体工作如下：（1）基于静态行人图像显著区域特征博弈匹配的行人再识别算法现有基于显著特征的行人再识别算法主要依靠提取行人图像的全局显著特征进行相似度计算，该类算法所提取的显著特征可分散在行人图像的任何区域，特征聚集性较差。因此，
南京邮电大学博士研究生学位论文第二章行人再识别技术相关研究14首先粗图2.1基于人工特征选择的行人再识别算法流程略估计行人服饰模型，并在再识别过程中不断细化。通过这种逐步提娶组合和比较特征的方法可以有效加快再识别的整体速度。与量化颜色直方图类似，在文献[51]中作者选择颜色名称的概率分布作为映射方法，将图像的RGB值映射到颜色名称，提出了一种基于颜色描述器的显著颜色命名方法表示行人全局特征。与文献[51]相似，Kim等人[52]首先利用颜色描述器获取行人图像每个分块的颜色单词组。基于提取的颜色单词组，整个行人图像中全体分块中的颜色单词被分配到不同的组中，最后基于每个分块的颜色单词得到行人图像全局颜色词直方图。Farenzena等人[29]利用加权颜色直方图、最大稳定颜色区域和高频强结构分块三种类型特征对行人外观进行特征建模，该模型对低分辨率、遮挡、姿态变化等具有一定的鲁棒性，但是计算复杂度较高。相对于行人全局特征，局部特征具有更高的可辨性。文献[49]通过RGB、YCbCr和HSV颜色空间的8种颜色通道和19种纹理特征通道学习，提出了一个基于局部特征组合的行人特征表示方法。Lei等人[53]首先提取行人的躯干区域、分块区域和全局区域的颜色和纹理特征，然后通过PCA对特征进行降维，从而构造行人语义区域特征。最后作者基于行人图像间语义区域映射空间拓扑约束的距离度量学习方法完成行人再识别。文献[54]设计了一种无监督自下而上动态特征重要性挖掘方法，可以提取不同个体自适应加权的显著和固有外观属性，并利用这些属性集合对再识别行人图像进行无监督自下而上的特征重要性挖掘。Morago等人[16]首先利用上下文信息扩展基于尺度不变特征变换的局部特征用于组成特征集合，然后利用Harris-Laplacian检测角点特征并定
【参考文献】：
期刊论文
[1]Hierarchical Visual Attention Model for Saliency Detection Inspired by Avian Visual Pathways[J]. Xiaohua Wang,Haibin Duan. IEEE/CAA Journal of Automatica Sinica. 2019(02)
[2]基于超像素的Graph-Based图像分割算法[J]. 贾耕云,赵海英,刘菲朵,李学明. 北京邮电大学学报. 2018(03)
[3]基于仿射包的图像集人脸识别的鲁棒算法[J]. 宁尚军,刘小华,盖健. 东北师大学报(自然科学版). 2015(02)
本文编号：3280033
【文章来源】：南京邮电大学江苏省
【文章页数】：126 页
【学位级别】：博士
【部分图文】：
基于人工特征选择方法的行人再识别流程
南京邮电大学博士研究生学位论文第一章绪论9本文所提取的行人图像显著区域既包含了行人的显著特征，又保留了包含在显著特征中间的细微特征。当候选图像集合中行人特征差异较大时，显著区域中的显著特征起主导作用，可以快速的辨别同类行人；而当候选图像集合中存在显著特征相似的非同类行人时，显著特征的辨别能力则会明显下降，此时包含在显著特征之间的细微特征则会成为提高再识别性能的主导因素。在行人显著区域特征距离度量方面，本文分别采用了无监督的距离度量和监督距离度量学习两种方法，分别实现了适用于未分类候选行人视频图像集场景的基于显著区域特征博弈匹配的行人再识别算法、适用于行人视频图像序列的基于显著区域特征聚类的行人再识别算法和基于显著区域特征的行人视频匹配算法。无监督特征距离度量直接将从行人图像中提取的特征向量用于距离计算，特征向量间的相似程度则由特征间的距离来表示，距离越小则说明两张行人图像相似度越高。通过实验结果分析和比较，无监督的距离度量方法由于无法对类内和类间特征进行区别化处理，因此在特征相似度度量方面没有监督距离学习方法更有优势。因此，本文所设计的再识别方法均采用监督学习的距离度量方法，且经过在公开行人再识别数据集上实验，与现有典型相关行人再识别算法比较，再识别精确度均有明显的提高。本文主要工作的组织结构如图1.5所示。图1.5本文主要研究工作的组织结构图本文的具体工作如下：（1）基于静态行人图像显著区域特征博弈匹配的行人再识别算法现有基于显著特征的行人再识别算法主要依靠提取行人图像的全局显著特征进行相似度计算，该类算法所提取的显著特征可分散在行人图像的任何区域，特征聚集性较差。因此，
南京邮电大学博士研究生学位论文第二章行人再识别技术相关研究14首先粗图2.1基于人工特征选择的行人再识别算法流程略估计行人服饰模型，并在再识别过程中不断细化。通过这种逐步提娶组合和比较特征的方法可以有效加快再识别的整体速度。与量化颜色直方图类似，在文献[51]中作者选择颜色名称的概率分布作为映射方法，将图像的RGB值映射到颜色名称，提出了一种基于颜色描述器的显著颜色命名方法表示行人全局特征。与文献[51]相似，Kim等人[52]首先利用颜色描述器获取行人图像每个分块的颜色单词组。基于提取的颜色单词组，整个行人图像中全体分块中的颜色单词被分配到不同的组中，最后基于每个分块的颜色单词得到行人图像全局颜色词直方图。Farenzena等人[29]利用加权颜色直方图、最大稳定颜色区域和高频强结构分块三种类型特征对行人外观进行特征建模，该模型对低分辨率、遮挡、姿态变化等具有一定的鲁棒性，但是计算复杂度较高。相对于行人全局特征，局部特征具有更高的可辨性。文献[49]通过RGB、YCbCr和HSV颜色空间的8种颜色通道和19种纹理特征通道学习，提出了一个基于局部特征组合的行人特征表示方法。Lei等人[53]首先提取行人的躯干区域、分块区域和全局区域的颜色和纹理特征，然后通过PCA对特征进行降维，从而构造行人语义区域特征。最后作者基于行人图像间语义区域映射空间拓扑约束的距离度量学习方法完成行人再识别。文献[54]设计了一种无监督自下而上动态特征重要性挖掘方法，可以提取不同个体自适应加权的显著和固有外观属性，并利用这些属性集合对再识别行人图像进行无监督自下而上的特征重要性挖掘。Morago等人[16]首先利用上下文信息扩展基于尺度不变特征变换的局部特征用于组成特征集合，然后利用Harris-Laplacian检测角点特征并定
【参考文献】：
期刊论文
[1]Hierarchical Visual Attention Model for Saliency Detection Inspired by Avian Visual Pathways[J]. Xiaohua Wang,Haibin Duan. IEEE/CAA Journal of Automatica Sinica. 2019(02)
[2]基于超像素的Graph-Based图像分割算法[J]. 贾耕云,赵海英,刘菲朵,李学明. 北京邮电大学学报. 2018(03)
[3]基于仿射包的图像集人脸识别的鲁棒算法[J]. 宁尚军,刘小华,盖健. 东北师大学报(自然科学版). 2015(02)
本文编号：3280033
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3280033.html
