【摘要】：近年來,隨著智能視頻監(jiān)控技術(shù)的發(fā)展,無重疊視域多攝像機(jī)行人再識(shí)別問題成為了該領(lǐng)域的一個(gè)研究熱點(diǎn)。該問題主要解決的任務(wù)是：某個(gè)被攝像機(jī)捕捉到的特定行人,當(dāng)其在另一具有無重疊視域的攝像機(jī)中再次出現(xiàn)時(shí),監(jiān)控系統(tǒng)能夠自動(dòng)地識(shí)別標(biāo)記出該行人。此問題的解決主要存在以下幾個(gè)難點(diǎn)：光照變化的干擾,時(shí)空信息的缺失以及行人姿態(tài)的多樣性。本文提出了一種基于不同攝像機(jī)下行人外表多種特征建模的方法來解決行人再識(shí)別問題。論文的主要工作及貢獻(xiàn)集中在下面幾個(gè)方面：1.在針對(duì)不同攝像機(jī)間建立關(guān)系模型方面,提出了松弛邊界分量分析(Relaxed Margin Components Analysis, RMCA)距離測(cè)度學(xué)習(xí)方法。結(jié)合單幀行人庫(kù)以及多幀行人庫(kù)中樣本點(diǎn)周圍的異類樣本點(diǎn)遠(yuǎn)多于同類樣本點(diǎn)的數(shù)據(jù)分布情況,在最大邊界近鄰(Large Margin Nearest Neighbors, LMNN)算法的基礎(chǔ)上,重新定義了“邊界”函數(shù)使之能夠根據(jù)數(shù)據(jù)分布靈活可調(diào)。算法能夠在僅使用簡(jiǎn)單顏色特征的條件下具有良好的再識(shí)別效果,并且收斂速度快。2.提出一種基于核映射的松弛邊界分量分析(Kernel RMCA, KRMCA)算法�？紤]到在高維空間中樣本數(shù)據(jù)更為可分,本文借助核函數(shù)(Kernel Function)將行人樣本特征映射入高維空間再使用RMCA算法進(jìn)行建模。最后,針對(duì)幾種常用的核函數(shù)進(jìn)行分析討論,得出最為適合本文所使用行人特征表達(dá)的JS(Jensen-Shannon)核函數(shù)。實(shí)驗(yàn)結(jié)果表明,與RMCA算法相比,KRMCA算法進(jìn)一步提升了再識(shí)別的準(zhǔn)確率。3.提出一種多特征結(jié)合的行人再識(shí)別方法。為了實(shí)現(xiàn)不同特征貢獻(xiàn)度的自適應(yīng)選擇,結(jié)合多核學(xué)習(xí)(Multiple Kernels Learning, MKL)的思想,進(jìn)一步將KRMCA算法改造為多核松弛邊界分量分析算法(Multiple Kernels RMCA, MKRMCA)。之后在MKRMCA算法的基礎(chǔ)上提出一種新穎的核寬度參數(shù)選擇算法,能夠?qū)崿F(xiàn)核寬度參數(shù)的自適應(yīng)生成。實(shí)驗(yàn)結(jié)果表明,該方法能夠進(jìn)一步提升了再識(shí)別的準(zhǔn)確率,特別是CMC中前幾位排名的占有率。
【圖文】：

者識(shí)別出來。逡逑與基于重疊視域多攝像機(jī)或者單攝像機(jī)行人再識(shí)別問題不同的是，無重疊視逡逑域多攝像機(jī)行人再識(shí)別問題具有一定的特殊性。如圖１．１所示，上面一行為某一視逡逑域攝像機(jī)下的行人樣本圖像，下面一行為他們?cè)诹硪粺o重疊視域攝像化下的樣本逡逑圖像。顯然，由圖可知，在不可控的環(huán)境中，由于限制條件的不充分Ｗ及圖像細(xì)逡逑節(jié)的缺失，魯棒性（Ｒｏｂｕｓｔ）的生物測(cè)度（Ｂｉｏｍｅｔｒｉｃ）不能被有效地提取出來，從逡逑而使得基于經(jīng)典的人臉識(shí)別（Ｆａｃｅ邋Ｒｅｃｏｇｎｉｔｉｏｎ）的行人再識(shí)別方法難Ｗ付諸實(shí)際。逡逑此外，由于種種客觀因素，使得該項(xiàng)研究的困難進(jìn)一步加大，，這些困難主要集中逡逑于Ｗ下幾個(gè)方面：逡逑１）場(chǎng)景光線的亮度變化。同一行人目標(biāo)在不同時(shí)間段、不同場(chǎng)景的光照是不逡逑同的，那么必然會(huì)影響對(duì)這些行人目標(biāo)的特征采集。在強(qiáng)光條件下，會(huì)導(dǎo)致行人逡逑圖像的過曝，而在低光強(qiáng)的環(huán)境下又會(huì)帶來很多噪點(diǎn)，從而很大的影響行人的成逡逑像質(zhì)量；逡逑２逡逑

一大研究趨勢(shì)。逡逑從宏觀上來說，整個(gè)系統(tǒng)大致可分為兩大部分，即訓(xùn)練部分和測(cè)試部分。如逡逑圖２．１所示，先將兩個(gè)攝像頭中采集到的行人圖像作為訓(xùn)練集，通過一定的建模方逡逑法得到某種模型，之后將這兩個(gè)攝像頭采集到的測(cè)試集送入該模型，通過排序比逡逑較得出再識(shí)別結(jié)果。注意，此處的測(cè)試集是由與訓(xùn)練集完全不同的行人圖像組成。逡逑［講膝邐１邐「攝像頭Ａ邐測(cè)試Ｉ逡逑Ｉ幽邋；！媝邋＊邐Ｊ逡逑ｉ邐ｍ邐ｉ邐ｉ邐ｉ邋ｆW佽］Ｉ逡逑Ｉ攝像頭Ａ邋Ｉ畫＾回Ｉ■？WU危懾義希櫻懾危懾澹掊問涑鍪侗鸞峁危懾義稀�！婍逦亓x�；砷佈灧邋Ｂ逦匚匚亓x希懾危懾�？橀佈灹P洛�！辶x賢跡玻被誚５男腥嗽偈侗鶼低呈疽饌煎義希疲椋玨澹玻卞逕劍酰螅簦潁幔簦椋錚鑠澹錚駑澹恚錚洌澹歟椋睿玨澹猓幔螅澹溴澹穡澹潁螅錚鑠澹潁澹椋洌澹睿簦椋媯椋悖幔簦椋錚鑠澹螅螅簦澹礤義纖淙�，建模的目的就是为谅柕蠝一个人被不同砷侎机采集的图像能汞垺繎亓x夏艿叵嗨�，而不同人图像之紲Z牟鉅煬×康卮�，这与机器学习、模式g侗鷸械撓繡義霞嘍椒擲嗨惴ǖ乃枷肭Х治嗆稀Ｈ舭馴徊煌閬窕杉耐桓鋈說耐枷窨醋鐾義俠嘌荊ň哂型昵┑難荊�，而不同日f耐枷窨醋鲆燉嘌荊ň哂脅煌昵┑膩義涎荊�，那么就可Ｗ借助窋S嗥鱋喗醒盜貳Ｗ鈧帳迪紙燉嘌炯淶哪持志嗬敕佩義洗�，而将同类样本紲Z哪持志嗬刖×克跣�。此处通过驯I芳盜煩隼吹姆擲嗥骷村義系燃塾詿⒌哪Ｐ�。辶x希峰義

本文編號(hào)：2549387