行人重識別旨在對目標行人進行跨相機檢索。隨著視頻監(jiān)控網絡的日益龐大,該項技術越來越受到學者們的關注。目前,行人重識別主要包含三個關鍵問題:行人檢測,從視頻流中提取高質量的靜態(tài)行人圖像;特征表達,從圖像中提取具有跨相機不變性的特征向量;度量學習,評估特征向量之間的相似度。本文從上述關鍵問題入手,對行人重識別展開了研究。在行人檢測問題上,針對經典的HOG+SVM算法無法兼顧檢測速度與質量、存在冗余行人目標的缺點,研究并實現(xiàn)了一種聯(lián)合運動目標檢測、目標分類以及目標跟蹤的行人檢測與跟蹤算法,滿足了重識別場景下的行人檢測需求。在特征表達問題上,針對LOMO特征對背景噪聲魯棒性較差、維度較高的缺點,提出了一種結合行人輪廓信息與維度優(yōu)化的改進算法,得到了較原LOMO特征維度更低、區(qū)分度更高的改進LOMO特征;研究了基于深度學習的特征表達算法,針對如何有效利用改進LOMO特征和CNN特征的互補特性,提出了特征融合網絡,使得改進LOMO特征不僅能和CNN特征進行自適應融合,還能反向優(yōu)化CNN特征的表達能力,得到了區(qū)分度更高的融合特征。在度量學習問題上,研究了行人重識別領域常見的度量學習算法,評估了其與融... 

【文章頁數(shù)】：95 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景與意義
    1.2 國內外研究概況
    1.3 論文主要工作與章節(jié)安排
2 行人檢測與跟蹤
    2.1 運動目標檢測
        2.1.1 運動目標檢測的常用思路
        2.1.2 常見的背景差分算法
        2.1.3 背景差分算法的性能評估
    2.2 目標分類
        2.2.1 HOG特征
        2.2.2 SVM分類器
        2.2.3 分類器訓練
    2.3 行人跟蹤
        2.3.1 目標跟蹤的常用思路
        2.3.2 基于Camshift的行人跟蹤
    2.4 實驗結果與分析
        2.4.1 運動目標檢測
        2.4.2 目標分類
        2.4.3 行人跟蹤
    2.5 本章小結
3 特征表達
    3.1 LOMO特征
        3.1.1 處理光照變化
        3.1.2 提取顏色和紋理特征
        3.1.3 處理視角變化
    3.2 改進LOMO特征
        3.2.1 改善抗噪性能
        3.2.2 降低特征維度
    3.3 CNN特征
        3.3.1 卷積神經網絡介紹
        3.3.2 網絡設計
    3.4 特征融合網絡
        3.4.1 網絡架構
        3.4.2 緩沖層和融合層的設計
        3.4.3 網絡參數(shù)的更新機制
    3.5 實驗結果與分析
        3.5.1 數(shù)據(jù)集介紹
        3.5.2 網絡訓練
        3.5.3 實驗策略
        3.5.4 結果及分析
    3.6 本章小結
4 度量學習
    4.1 度量學習的基本思路
    4.2 常用的度量學習算法
        4.2.1 線性判別分析
        4.2.2 局部Fisher判別分析
        4.2.3 邊緣Fisher判別分析
    4.3 核技巧在度量學習中的應用
    4.4 基于XQDA的度量學習
        4.4.1 KISSME算法
        4.4.2 XQDA在 KISSME上的擴展
    4.5 實驗結果與分析
        4.5.1 實驗策略
        4.5.2 匹配實驗結果
        4.5.3 橫向比較
    4.6 本章小結
5 行人重識別軟件設計與實現(xiàn)
    5.1 軟件架構
        5.1.1 架構設計
        5.1.2 開發(fā)工具及運行環(huán)境
    5.2 主應用服務器
        5.2.1 監(jiān)控回放模塊
        5.2.2 行人重識別模塊
        5.2.3 行人信息數(shù)據(jù)庫
    5.3 視頻預處理集群
        5.3.1 任務分發(fā)模塊
        5.3.2 視頻預處理模塊
    5.4 系統(tǒng)測試
    5.5 本章小結
6 總結與展望
    6.1 總結
    6.2 展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]基于改進SSD的行人檢測方法[J]. 邢浩強,杜志岐,蘇波.  計算機工程. 2018(11)
[2]行人再識別技術綜述[J]. 李幼蛟,卓力,張菁,李嘉鋒,張輝.  自動化學報. 2018(09)
[3]激活函數(shù)在卷積神經網絡中的對比研究[J]. 田娟,李英祥,李彤巖.  計算機系統(tǒng)應用. 2018(07)
[4]行人重識別研究綜述[J]. 宋婉茹,趙晴晴,陳昌紅,干宗良,劉峰.  智能系統(tǒng)學報. 2017(06)
[5]利用人體部位特征重要性進行行人再識別[J]. 章登義,王騫,朱波,武小平,曹瑀,蔡波.  武漢大學學報(信息科學版). 2017(01)
[6]神經網絡七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計算機學報. 2016(08)
[7]基于改進的高斯混合模型的運動目標檢測[J]. 范文超,李曉宇,魏凱,陳興林.  計算機科學. 2015(05)
[8]基于SIFT特征匹配的CamShift運動目標跟蹤算法[J]. 馬正華,顧蘇杭,戎海龍.  計算機科學. 2014(06)
[9]基于邊界判別投影的數(shù)據(jù)降維[J]. 何進榮,丁立新,李照奎,胡慶輝.  軟件學報. 2014(04)
[10]EVibe:一種改進的Vibe運動目標檢測算法[J]. 余燁,曹明偉,岳峰.  儀器儀表學報. 2014(04)

博士論文
[1]智能監(jiān)控系統(tǒng)中行人重識別方法研究[D]. 劉曉凱.大連理工大學 2017
[2]面向智能視頻監(jiān)控的行人目標再識別研究[D]. 謝奕.浙江大學 2017

碩士論文
[1]基于改進GMM和SVM的行人檢測技術研究[D]. 王明杰.天津大學 2017
[2]基于多攝像機關聯(lián)的行人檢索系統(tǒng)[D]. 疏坤.合肥工業(yè)大學 2016



本文編號：3687918