行人重識(shí)別是指利用得到的行人圖像檢索出攝像頭下具有相同身份的行人目標(biāo)。行人重識(shí)別作為智能監(jiān)控分析領(lǐng)域的關(guān)鍵技術(shù)之一,是在人臉識(shí)別失效的情況下利用行人整體特征查找到行人目標(biāo)的有效方法。面對(duì)海量監(jiān)控?cái)?shù)據(jù)下人工查找效率低下的問題,應(yīng)用行人重識(shí)別技術(shù)可以更加簡(jiǎn)單高效的找出要找尋的行人目標(biāo),對(duì)社會(huì)的公共安全建設(shè)有極大的幫助。但由于開放場(chǎng)景下背景、光線和行人姿態(tài)等因素會(huì)導(dǎo)致行人特征發(fā)生劇烈變化,使得如何獲取到更加具有判別力的行人特征成為行人重識(shí)別技術(shù)的關(guān)鍵。隨著深度學(xué)習(xí)方法在計(jì)算機(jī)視覺領(lǐng)域的大放光彩,基于深度學(xué)習(xí)的行人重識(shí)別方法已成為主流。因此,本文對(duì)基于深度學(xué)習(xí)技術(shù)的行人特征提取方法進(jìn)行了深入研究,并在此基礎(chǔ)上實(shí)現(xiàn)了行人重識(shí)別系統(tǒng)。本文的具體工作如下:1)在損失函數(shù)的研究中,為了使得同類樣本之間更加聚簇,異類樣本之間更加遠(yuǎn)離,把中心損失和三元組損失的思想融合,提出了Triplet-Center Loss用于行人重識(shí)別任務(wù)。相比于三元組損失等度量損失函數(shù),該損失能夠更加有效地改善特征的空間分布。針對(duì)分類損失Softmax Loss易導(dǎo)致模型過擬合問題,引入標(biāo)簽平滑策略來提高模型泛化能力。最后,把標(biāo)...

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖5-1輕量級(jí)行人檢測(cè)和再識(shí)別系統(tǒng)架構(gòu)

基于深度學(xué)習(xí)的輕量級(jí)行人檢測(cè)與重識(shí)別算法研究71第5章輕量級(jí)行人檢測(cè)和重識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)5.1引言本章針對(duì)智能監(jiān)控系統(tǒng)的應(yīng)用需求，將行人檢測(cè)與行人重識(shí)別技術(shù)相結(jié)合，構(gòu)建了一種基于深度學(xué)習(xí)的輕量級(jí)行人檢測(cè)和重識(shí)別系統(tǒng)。本系統(tǒng)主要采用基于深度學(xué)習(xí)的方法，檢測(cè)圖像或者視頻中是否存在行....

圖2-1卷積層工作過程

卷積層(Convolutionallayer)作為卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)中的核心組件,其主要作用是特征提取。卷積在數(shù)學(xué)里可以理解成一種運(yùn)算,在深度學(xué)習(xí)中可以理解成是矩陣乘積運(yùn)算。卷積層主要由多個(gè)卷積核組成,卷積核就可以理解成是一個(gè)二維矩陣或二維滑動(dòng)窗口。其工作方式就是用每一個(gè)卷積核在....

圖2-2三種池化操作示意圖

池化層(Poolinglayer)也稱為下采樣層(Down-samplinglayer)是卷積神經(jīng)網(wǎng)絡(luò)中另一個(gè)重要組件。與卷積層不同,池化層沒有卷積核這樣的權(quán)重參數(shù),但其操作與卷積層中的操作相同,都是通過滑動(dòng)窗口實(shí)現(xiàn)�；瑒�(dòng)窗口每滑動(dòng)至一個(gè)新的位置,就對(duì)滑動(dòng)窗口內(nèi)的特征元素使用....

圖2-3全連接層示意圖

其中,a代表的是全連接層的輸出結(jié)果;f代表的是激活函數(shù);是權(quán)重參數(shù),相當(dāng)于圖2-3中每條連線是一個(gè)權(quán)重邊;X是上一層的輸出;b是偏置量。由于全連接層的全連接的性質(zhì),這會(huì)大大地增加網(wǎng)絡(luò)的參數(shù),特別是一些早期的CNN網(wǎng)絡(luò)有多個(gè)全連接層,網(wǎng)絡(luò)會(huì)非常臃腫,需要很多計(jì)算資源,效率低下。所以....

本文編號(hào)：3897825