隨著自動駕駛汽車的安全問題日趨嚴峻,車路協(xié)同感知系統(tǒng)受到了學術界的廣泛關注。行人重識別技術作為車路協(xié)同感知系統(tǒng)的核心技術之一也因此備受關注�，F(xiàn)有基于分布式視覺的行人重識別技術大多基于監(jiān)督學習框架,存在著跨域性能嚴重下降、數(shù)據(jù)制作成本高、過度依賴訓練集等問題,而無監(jiān)督行人重識別技術的出現(xiàn)為彌補上述不足提供了一個新的解決方案。針對目前的無監(jiān)督行人重識別技術存在著準確率低、數(shù)據(jù)利用不充分、實時性差等問題,本文提出了一個改進的無監(jiān)督行人重識別框架并開展實驗研究。針對車路協(xié)同場景中行人重識別技術面臨的準確率較低和數(shù)據(jù)利用不充分的問題,提出了一個改進的無監(jiān)督行人重識別框架。為提高視覺分類器的初始準確率,對視覺分類器從特征提取、度量學習、行人匹配三方面分別進行了改進,提出了一個改進的視覺分類器模型。為改善數(shù)據(jù)信息挖掘不足的問題,對數(shù)據(jù)信息進行深入分析,應用攝像頭編號和拍攝時間建立多相機拓撲估計模型,為視覺分類器提供語義信息,增強視覺分類器的判別能力。最后,為改善數(shù)據(jù)利用不充分問題,應用排序結果,建立基于特征分層融合的漸進優(yōu)化網絡,使得視覺分類器可以實現(xiàn)自我優(yōu)化。通過實驗,驗證了所提方法的有效性。針對... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省211工程院校985工程院校

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

行人重識別場景示意圖

不同隨機a)b)

哈爾濱工業(yè)大學工學碩士學位論文-28-評分融合成最終評分。之所以提出這樣的策略，原因如圖3-6所示，我們發(fā)現(xiàn)不同殘差塊提取到的行人特征是不同的，其關注點也是不一致的，例如前兩組圖像，殘差塊三所提取的特征更關注其中的行人，而殘差塊四則并沒有高亮行人區(qū)域。像殘差網絡這樣深層的卷積神經網絡，可以為我們提供了不同深度的特征信息，而豐富的特征信息對于視覺分類器至關重要。因而，我們提出了特征分層融合策略，使得用于相似度匹配的深度特征更加全面，增強判別可靠性，減輕特征提取過程中所帶來的信息丟失問題。圖3-6不同殘差塊提取的特征加入特征分層融合策略的視覺分類器結構如圖3-7所示，我們將圖中殘差塊二、殘差塊三及殘差塊四所輸出的不同深度不同尺寸的深度特征信息分別提取出來，傳遞給距離度量層分別進行相似度判別，根據(jù)線性加權系數(shù)（如公式（3-18）所示）輸出最終判別結果。24iiiScoreσS==∑(3-18)其中，iσ代表第i層的加權系數(shù)，iS代表第i層的相似度評分，Score就是該圖像最終的相似度評分。殘差塊三殘差塊四行人圖像


本文編號：3613355