隨著計算機視覺和人工智能技術的快速發(fā)展,基于行人檢測與再識別的行人搜索算法成為目前研究的熱點。行人搜索可以視為行人再識別的延伸問題,它涉及到行人檢測與行人再識別兩個過程。目前,多數(shù)行人再識別算法只適用于經(jīng)過人工裁剪后的圖片,無法直接應用于真實場景;此外,在行人搜索過程中,行人檢測網(wǎng)絡得到結(jié)果的好壞,會對后續(xù)行人再識別造成較大影響;同時,錯檢、漏檢、行人定位框不夠精確等情況,都會大大降低后續(xù)行人再識別的精度。因此,如何將行人檢測與再識別有機結(jié)合,實現(xiàn)端到端的行人搜索是一個具有挑戰(zhàn)性的問題。本文從已有的行人搜索算法入手,針對已有算法中遇到的困難和存在的不足,從行人邊框的選取、相似性距離函數(shù)的設計和中心損失函數(shù)的改進等角度,對行人檢測與再識別有機結(jié)合進行了探討。論文的主要工作和研究成果體現(xiàn)如下:1.針對現(xiàn)有的行人搜索算法在行人檢測過程中,行人定位框不夠精確,且在行人再識別時,采用余弦距離來進行相似度比較,無法全面衡量行人特征向量的相似性等不足。本文將行人檢測與再識別兩模塊融為一體,提出了一種基于改進的Faster R-CNN的行人搜索算法。算法采用對邊框進行迭代回歸的方法,改進原Faster... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.0 引言
    1.1 行人檢測與再識別的行人搜索技術的背景和意義
    1.2 行人檢測與再識別的行人搜索技術的研究現(xiàn)狀
    1.3 本文的主要內(nèi)容和結(jié)構(gòu)框架
    1.4 本章小結(jié)
第2章 行人搜索理論概述
    2.0 引言
    2.1 卷積神經(jīng)網(wǎng)絡的基本原理
        2.1.1 人工神經(jīng)網(wǎng)絡
        2.1.2 卷積神經(jīng)網(wǎng)絡與深度學習
    2.2 Faster R-CNN的基本原理
    2.3 行人搜索算法
        2.3.1 結(jié)合行人群體共性與行人個體唯一性的行人搜索算法
        2.3.2 基于Faster R-CNN和在線實例匹配法的行人搜索算方法
        2.3.3 基于長短時間記憶網(wǎng)絡和注意力機制的行人搜索算方法
    2.4 本章小結(jié)
第3章 Faster R-CNN行人檢測與再識別為一體的行人搜索算法
    3.0 引言
    3.1 算法原理及實現(xiàn)
        3.1.1 混合損失函數(shù)
        3.1.2 混合相似性距離函數(shù)
        3.1.3 迭代型邊框回歸網(wǎng)絡
        3.1.4 算法的實現(xiàn)步驟
    3.2 實驗結(jié)果及分析
        3.2.1 邊框回歸迭代次數(shù)確定
        3.2.2 混合相似性函數(shù)系數(shù)的確定
        3.2.3 中心損失函數(shù)的權重參數(shù)的確定
        3.2.4 性能對比實驗
        3.2.5 待搜索行人圖片數(shù)量對精度的影響
    3.3 本章小結(jié)
第4章 基于注意力機制的行人搜索算法
    4.0 引言
    4.1 算法原理及實現(xiàn)
        4.1.1 中心損失函數(shù)與邊緣損失函數(shù)
        4.1.2 注意力機制網(wǎng)絡
        4.1.3 算法的實現(xiàn)步驟
    4.2 實驗結(jié)果及分析
        4.2.1 中心損失函數(shù)與邊緣損失函數(shù)權重的確定
        4.2.2 單獨訓練與聯(lián)合訓練行人檢測與再識別模塊對精度的影響
    4.3 本章小結(jié)
第5章 總結(jié)與展望
    5.0 總結(jié)
    5.1 展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]基于深度學習模型的行人檢測研究與仿真[J]. 曾敏,周益龍.  南京郵電大學學報(自然科學版). 2015(06)
[2]基于卷積神經(jīng)網(wǎng)絡LeNet-5的車牌字符識別研究[J]. 趙志宏,楊紹普,馬增強.  系統(tǒng)仿真學報. 2010(03)



本文編號：3157608