基于图像的行人再识别重排序算法研究

发布时间：2024-07-09 03:12

　　行人再识别是公共安全视频数据分析中的一项重要任务,基于图像的行人再识别旨在通过不同摄像镜头所获取的行人图像对行人身份进行验证。这是近年来图像模式识别领域一个热点研究问题,具有重要的研究意义和应用潜力。基于图像的行人再识别现有方法主要考虑特征学习和度量学习,近年来有大量方法被相继提出。图像样本的分布信息对检索结果具有重要影响,通过挖掘图像样本的分布信息能够改善检索结果;因此,本文系统地研究了面向行人再识别的重排序算法。针对现有的重排序方法所存在的诸多局限性,比如超参数数目较多、算法的性能对参数比较敏感、计算效率较低等方面,本文从样本的局部密度信息的利用、额外辅助样本的利用、和联合考虑卷积特征学习这三个角度开展了下述创新性工作。1.考虑到对候选集中样本局部密度信息的有效利用,本文提出一种逆向密度自适应核重排序算法(inv-DAKR)。通过引入平滑核函数和密度自适应参数,inv-DAKR解决了逆向重排序算法中对模糊性的保留问题。在六个数据集上的实验验证了 inv-DAKR算法的有效性与计算效率。2.为了综合考虑查询样本在候选集中的局部密度信息和候选集中样本局部密度信息,本文提出一种双向密度自...

【文章页数】：170 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
符号说明
第一章 绪论
    1.1 研究背景和意义
    1.2 研究现状
    1.3 论文研究内容和创新点
    1.4 论文组织结构
第二章 相关研究综述
    2.1 特征提取
        2.1.1 属性特征提取算法
        2.1.2 组合特征提取算法
        2.1.3 层次化特征提取算法
    2.2 度量学习
        2.2.1 基于动态规划的度量学习
        2.2.2 基于最大似然估计的度量学习
        2.2.3 基于线性判别分析的度量学习
    2.3 重排序算法
        2.3.1 基于用户反馈的重排序算法
        2.3.2 基于候选集流形结构的重排序算法
        2.3.3 基于样本的近邻信息挖掘的重排序算法
    2.4 深度卷积神经网络
        2.4.1 基础操作
        2.4.2 损失函数
        2.4.3 优化算法
    2.5 常用基准数据集
        2.5.1 GRID
        2.5.2 VIPeR
        2.5.3 PRID450s
        2.5.4 CUHK03
        2.5.5 Market-1501
        2.5.6 Mars
        2.5.7 DukeMTMC-ReID
    2.6 本章小结
第三章 逆向密度自适应核重排序算法
    3.1 引言
    3.2 相关研究工作与本章贡献
        3.2.1 相关研究工作
        3.2.2 本章贡献
    3.3 问题陈述与算法设计
        3.3.1 基本的k最近邻的算法
        3.3.2 基于逆向k近邻的重排序算法
        3.3.3 密度自适应核函数
        3.3.4 逆向密度自适应核重排序算法
    3.4 实验结果评估
        3.4.1 实验配置
        3.4.2 对inv-DAKR在完美单样本匹配数据集上的评估
        3.4.3 对inv-DAKR在非完美单样本匹配数据集上的评估
        3.4.4 对inv-DAKR在多样本匹配数据集上的评估
        3.4.5 时间复杂度的对比和超参数k的检验
    3.5 本章小结
第四章 双向密度自适应核重排序算法
    4.1 引言
    4.2 相关研究工作与本章贡献
        4.2.1 相关研究工作
        4.2.2 本章贡献
    4.3 基本的双向重排序算法k-RNN
    4.4 双向密度自适应核重排序算法的设计
    4.5 实验评估
        4.5.1 实验配置
        4.5.2 对bi-DAKR在完美单样本匹配数据集上的评估
        4.5.3 对bi-DAKR在非完美单样本匹配数据集上的评估
        4.5.4 对bi-DAKR在多样本匹配数据集上的评估
        4.5.5 时间复杂度的对比和超参数k的检验
    4.6 本章小结
第五章 融合额外样本信息的高效重排序算法
    5.1 引言
    5.2 相关研究工作与本章贡献
        5.2.1 相关研究工作
        5.2.2 本章贡献
    5.3 k-INN+与k-RNN+
    5.4 inv-DAKR+与bi-DAKR+
    5.5 实验评估
        5.5.1 实验配置
        5.5.2 完美单样本匹配场景下实验结果的分析与讨论
        5.5.3 非完美单样本匹配场景下实验结果的分析与讨论
        5.5.4 多样本匹配场景下实验结果的分析与讨论
    5.6 本章小结
第六章 基于双重随机游走和标签平滑的度量学习模型
    6.1 引言
    6.2 相关研究工作与本章贡献
        6.2.1 相关研究工作
        6.2.2 本章贡献
    6.3 本文的模型
        6.3.1 传统的随机游走模型
        6.3.2 GSDRWLS模型
    6.4 实验
        6.4.1 数据集与实验配置
        6.4.2 参数和实现细节
        6.4.3 性能评估
        6.4.4 与先进算法的对比
    6.5 本章小结
第七章 总结与展望
    7.1 论文工作总结
    7.2 未来研究展望
参考文献
致谢
攻读博士期间发表论文



本文编号：4004301