近些年由于深度學習的發(fā)展,行人檢索領域也取得了較多的進步。在諸多領域有著不錯的應用,例如安防安全、大型公共場所的智能尋人系統(tǒng)、無人超市、家庭智能機器人等等。但不同的場景就意味著被攝像頭檢測到的行人圖像有著非常嚴重的差異,行人圖像存在遮擋、背景不同等問題,如何減少各種影響因素帶來的問題,從而提高行人檢索的識別準確率,是一個需要解決的問題。為了避免行人圖像存在的視覺差異所帶來的影響,提高行人檢索的準確率,本文主要進行了如下幾個工作:（1）為了解決局部部件的分割方式問題,采用提取部件特征的方式,提出了一種對部件進行精細分割的行人檢索方法。通過精細化分割部件,提升了部件內部的一致性,降低了行人圖像硬分割帶來的影響,提高檢索的精度。（2）采用多分支結構的網絡,融合部件特征與全局特征,提高模型的魯棒性和準確率。（3）提出了一種顯著特征權值學習的自監(jiān)督方法,使得模型具備辨別特征是否顯著的能力。在提取特征時專注于顯著的特征,將不顯著的特征權值減小,對顯著的部件特征增加可信度。本文方法在兩個大型數據集Market-1501和Dukem MTMC-re ID上進行了實驗,實驗結果表明,行人檢索的準確率優(yōu)于... 

【文章來源】：北方工業(yè)大學北京市

【文章頁數】：58 頁

【學位級別】：碩士

【部分圖文】：

不同場景下的行人運動軌跡

第一章緒論2隨著計算機硬件水平的不斷提升，計算機視覺技術也借助深度學習而不斷發(fā)展進步，取得了眾多突破。行人檢索便是采用計算機視覺技術，從攝像頭采集到的照片或視頻所截取的圖片中，檢索目標行人的圖像。是目前計算機視覺研究的重要方向之一。行人檢索可以作為人臉識別的補充，當攝像頭不能檢測到完整的人臉信息，或者人臉信息失效時，通過行人檢索方法可以找到想要的目標人物。例如最近世界范圍內爆發(fā)了新型冠狀病毒引發(fā)的肺炎疫情，每個人都佩戴了口罩進行防護，人臉信息只剩下眼部的信息，這就對常用的人臉識別檢測設備造成了較大的困難，此時，采用整個行人作為檢測目標，就可以拋開人臉信息，檢測行人。即使只有同一個行人的背面圖片，自始至終沒有轉身露臉的照片。圖1-2口罩對人臉信息采集存在影響行人檢索是一種基于全身身份信息的識別方法。通過一張待檢索的行人圖片，對比其他地點位置拍攝到的行人全身圖片，從而找出與待檢索行人最接近的一張或者幾張圖片。不同的行人會跨過不同的攝像機的拍攝范圍，如圖1-1所示，這就導致了行人所處的環(huán)境復雜多樣、攝像頭清晰度參差不齊，受到天氣、穿著打扮、走路姿態(tài)等綜合因素的影響，提升了行人檢索的難度，利用行人的全身作為特征來檢索、分析行人的軌跡數據等，是一個更好的選擇。

第一章緒論5圖1-3行人檢索中遇到的典型挑戰(zhàn)（1）圖片分辨率低：目前攝像機的像素質量不斷提升，但仍存在部分攝像機的分辨率較低，攝像機難以拍攝到行人的關鍵特征，同時，由于攝像機與拍攝的行人距離可能較遠，也是導致分辨率較低的原因。肉眼難以區(qū)別的圖像，計算機區(qū)分起來也存在難度。（2）走路姿態(tài)不一：當一個行人長時間處于同一個大環(huán)境下的時候，由于疲勞可能騎上自行車，或者找地方坐下，使姿態(tài)發(fā)生變化。此時拍攝到的行人平面圖像就發(fā)生了扭曲，增加了識別難度。（3）物品遮擋嚴重：行人容易受到自身所攜帶的物品如雨散背包等遮擋。遮擋問題不可避免，但遮擋帶來的影響比較嚴重，導致無法提取到全部的行人的有效信息，同時遮擋物品可能被誤認為是人體的一部分，提取到了大量的其他物品信息，從而降低了檢索的精度。（4）拍攝視角不同：拍攝視角不同，那么行人的圖像信息就融合了例如正面、背面、側面等多位信息，影響模型的學習能力。（5）背景改變明顯：一般的，行人在行進的過程中，背景一定會發(fā)生變化，若存在明顯的背景差異、或是背景顏色和穿著顏色接近，使得行人融入了背景色中，那就大大提升了檢索的難度。（6）穿衣打扮相似：穿著相似的情況不多，但是在特定的場所或情況下卻

【參考文獻】：
期刊論文
[1]基于行人分割與部位對齊的行人再識別[J]. 耿樹澤,于明,岑世欣,劉曉亮.  河北工業(yè)大學學報. 2019(05)
[2]區(qū)域塊分割與融合的行人再識別[J]. 蔣建國,楊寧,齊美彬,陳翠群.  中國圖象圖形學報. 2019(04)
[3]基于強化深度特征融合的行人再識別算法研究[J]. 李佳麗,郭捷.  信息技術. 2018(07)
[4]非重疊域行人再識別算法研究[J]. 何晴,郭捷.  信息技術. 2018(07)
[5]基于改進的HOG與Sobel-LBP融合的快速行人檢測[J]. 疏坤,蔣建國,齊美彬,岳周龍.  合肥工業(yè)大學學報(自然科學版). 2017(07)
[6]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)
[7]基于分層特征融合的行人分類[J]. 孫銳,張廣海,丁文秀.  計算機工程與科學. 2016(10)
[8]基于圖像顯著特征的非重疊視域行人再識別[J]. 王彩玲,唐松,荊曉遠.  南京郵電大學學報(自然科學版). 2016(03)
[9]基于局部深度匹配的行人再識別[J]. 李邵梅,陳雷.  計算機應用研究. 2017(04)
[10]結合紋理特征和深度學習的行人檢測算法[J]. 張陽.  遼寧工程技術大學學報(自然科學版). 2016(02)



本文編號：3033005