近年來,行人再辨識因為其在公共安全領(lǐng)域的重要性而受到了越來越多的關(guān)注,它的目的是判斷視野不重疊的不同攝像頭采集到的行人圖像是否屬于同一個身份。然而,由于不同攝像頭之間諸多變量,例如人體姿態(tài),攝像頭角度或者光照的變化,使得行人再辨識問題仍然沒有得到解決。首先,在目前已有的行人再辨識工作中,大部分都假定行人圖像是對齊了的,因此將兩張圖像進行特征提取后直接進行距離的計算。然而事實上由于自動檢測算法的問題,行人圖像之間并不是完全對齊的。而特征對齊在行人再辨識任務(wù)中其實有著非常重要的地位,完成特征對齊后能使得識別的準(zhǔn)確率得到提高。其次,目前的絕大部分針對行人再辨識任務(wù)設(shè)計的方法都將計算得到的初始排序列表作為最終的最優(yōu)結(jié)果,這顯然是有些欠考慮的。一般來說,初始列表都是次優(yōu)的,其中還有一些潛在的信息可以挖掘出來進一步的優(yōu)化初始排序列表,從而得到一個更加精確的結(jié)果。本文主要是基于深度學(xué)習(xí)的特征對齊方法以及重排序方法進行了研究,主要完成的工作如下:（1）本文引入了姿態(tài)估計模型來檢測關(guān)鍵點,通過檢測到的關(guān)鍵點分割出人體的局部部分,分別利用局部部分進行訓(xùn)練,學(xué)習(xí)到局部的有判別性的特征,然后將局部特征連接起來... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 手工行人再辨識系統(tǒng)
        1.2.2 基于深度學(xué)習(xí)的行人再辨識系統(tǒng)
        1.2.3 重排序算法
    1.3 論文的主要工作和研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 行人再辨識的理論概述
    2.1 行人再辨識與行人檢索的關(guān)系
    2.2 行人再辨識數(shù)據(jù)庫
        2.2.1 基于靜態(tài)圖像的數(shù)據(jù)庫
        2.2.2 基于視頻序列的數(shù)據(jù)庫
    2.3 基于深度學(xué)習(xí)的行人再辨識方法存在的關(guān)鍵問題
    2.4 深度卷積神經(jīng)網(wǎng)絡(luò)的基本概念
        2.4.1 卷積與池化操作
        2.4.2 局部連接與權(quán)值共享
        2.4.3 損失函數(shù)和激活函數(shù)
    2.5 一些經(jīng)典的深度學(xué)習(xí)網(wǎng)絡(luò)模型
        2.5.1 AlexNet
        2.5.2 VGG
        2.5.4 ResNet
    2.6 本章小結(jié)
3 基于局部特征對齊的行人再辨識網(wǎng)絡(luò)
    3.1 基于局部特征對齊的行人再辨識網(wǎng)絡(luò)
    3.2 全局分支
        3.2.1 全局分支的分類子網(wǎng)絡(luò)
        3.2.2 全局分支的驗證子網(wǎng)絡(luò)
    3.3 局部分支
    3.4 實驗設(shè)置與結(jié)果
        3.4.1 數(shù)據(jù)集
        3.4.2 基本網(wǎng)絡(luò)
        3.4.3 訓(xùn)練設(shè)置
        3.4.4 實驗結(jié)果
    3.5 本章小結(jié)
4 基于時空信息的重排序方法
    4.1 基于時空信息的重排序算法
        4.1.1 問題定義
        4.1.2 時空信息和時空轉(zhuǎn)移概率
        4.1.3 最終距離
    4.2 實驗設(shè)置與結(jié)果
        4.2.1 數(shù)據(jù)集
        4.2.2 評估指標(biāo)和特征
        4.2.3 實驗結(jié)果
    4.3 本章小結(jié)
5 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 未來工作與展望
參考文獻
作者簡歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集



本文編號：3435049