本文關鍵詞：行人再辨識關鍵技術，，由筆耕文化傳播整理發(fā)布。

【摘要】：公共安全已成為人們最為關注的社會問題之一,監(jiān)控攝像頭被廣泛應用于學校、商場、地鐵、體育場、公園等人群密度較大的公共場所。因此,視頻監(jiān)控在公共安全中扮演著舉足輕重的地位,它既可以用于公共安全事件的預防、應急、記錄,還便于事后進行快速回溯、識別和搜索,進而成為平安城市建設中不可或缺的重要一環(huán),具有極為現(xiàn)實的意義。行人再辨識是視頻監(jiān)控領域中一個具有挑戰(zhàn)性的問題,其主要任務是跨攝像頭中的行人的搜索與識別。本文提出了兩種行人再辨識新方法,主要工作包括： 1.將bagging的集成學習方法引入大間隔最近鄰法(LMNN)中,提出了基于bagging-LMNN的行人再辨識算法。度量學習常被用于擬合攝像頭之間的變化,然而傳統(tǒng)的度量學習僅在某些樣本及其特征空間上學習一個度量模型,很難擬合多種外觀的變化。在本文中,我們將bagging的集成學習方法引入LMNN,提出了基于bagging的大間隔最近鄰法。通過在子空間上學習并融合多個度量模型提高了行人再辨識的性能。本文提出了兩種bagging策略,分別為基于樣本bagging的大間隔最近鄰法和基于特征bagging的大間隔最近鄰法。在三個數(shù)據庫上的實驗表明本文的方法可以取得比現(xiàn)有代表性算法更好的性能。 2.將度量矩陣的跡范數(shù)(Trace Norm)與大間隔最近鄰法結合起來,提出了正則化的大間隔最近鄰法(LMNN-T)。當前的度量學習算法在擬合不同攝像頭間行人外觀差異的過程中,經常陷入過擬合。為了緩解過擬合的問題,本文將度量矩陣的跡范數(shù)(Trace Norm)與大間隔最近鄰法(LMNN)結合起來,提出了正則化的大間隔最近鄰法(LMNN-T)。跡范數(shù)可以使得度量矩陣具有低的秩,從而緩解過擬合問題。同時,為了避免在降維過程中丟失關鍵的精細特征,我們將基于特征bagging的集成學習方法與其結合以維持圖像特征的辨識度。在兩個數(shù)據庫上的實驗表明本文的方法取得了比現(xiàn)有代表性算法更好的性能。
【關鍵詞】：行人再辨識 度量學習 bagging 跡范數(shù)
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN948.6;D63
【目錄】：

• 摘要4-5
• ABSTRACT5-7
• 目錄7-9
• 第一章 緒論9-17
• 1.1 課題研究背景和意義9-10
• 1.2 國內外研究現(xiàn)狀10-13
• 1.2.1 現(xiàn)有再辨識方法10-12
• 1.2.2 現(xiàn)有再辨識方法的不足與挑戰(zhàn)12-13
• 1.3 本文的主要工作與安排13-17
• 1.3.1 主要研究內容13-14
• 1.3.2 論文的結構安排14-17
• 第二章 行人再辨識系統(tǒng)17-27
• 2.1 引言17
• 2.2 前景提取17-19
• 2.2.1 線性背景模型18
• 2.2.2 混合高斯背景模型18-19
• 2.3 人體模型19-22
• 2.3.1 固定的人體模型20
• 2.3.2 自適應的人體模型20
• 2.3.3 學習的人體模型20-22
• 2.4 特征提取22-24
• 2.4.1 顏色特征22-23
• 2.4.2 LBP紋理特征23-24
• 2.5 小結24-27
• 第三章 基于bagging的度量學習方法27-41
• 3.1 引言27-28
• 3.2 基于bagging的大間隔最近鄰方法28-33
• 3.2.1 大間隔最近鄰算法28-29
• 3.2.2 基于樣本bagging的大間隔最近鄰法29-31
• 3.2.3 基于特征bagging的大間隔最近鄰法31-33
• 3.3 實驗結果33-40
• 3.3.1 數(shù)據庫及實驗設置33-34
• 3.3.2 特征提取34
• 3.3.3 參數(shù)選擇34-37
• 3.3.4 實驗結果與分析37-40
• 3.4 本章小結40-41
• 第四章 正則化的度量學習41-53
• 4.1 引言41-42
• 4.2 正則化的大間隔最近鄰法42-47
• 4.2.1 正則化的大間隔最近鄰法模型42-43
• 4.2.2 實驗結果及分析43-47
• 4.3 更新近鄰的大間隔最近鄰法47-51
• 4.3.1 更新近鄰的大間隔最近鄰法47-50
• 4.3.2 實驗結果及分析50-51
• 4.4 本章小結51-53
• 第五章 總結和展望53-57
• 5.1 總結53-54
• 5.2 展望54-57
• 參考文獻57-61
• 致謝61-63
• 攻讀碩士期間發(fā)表的學術論文63

【共引文獻】

中國期刊全文數(shù)據庫 前10條

1 潘希姣;;多子群粒子群集成神經網絡[J];安徽建筑工業(yè)學院學報(自然科學版);2007年02期

2 李亭;楊敬鋒;彭曉琴;陳志民;;基于最大似然法集成的黃曲條跳甲預警模型[J];安徽農業(yè)科學;2008年25期

3 時雷;虎曉紅;席磊;段其國;;集成學習技術在農業(yè)中的應用[J];安徽農業(yè)科學;2008年26期

4 李文斌;劉椿年;鐘寧;;基于兩階段集成學習的分類器集成[J];北京工業(yè)大學學報;2010年03期

5 蔣宗禮;徐學可;;一種基于集成學習與類指示器的文本分類方法[J];北京工業(yè)大學學報;2010年04期

6 李飛;高小榕;高上凱;;基于隨機森林算法的高維腦電特征優(yōu)選[J];北京生物醫(yī)學工程;2007年04期

7 李勇,王建波;分類回歸樹中分裂法則的相合性質[J];北京師范大學學報(自然科學版);2002年01期

8 任杰;柳毅;金鑫;別榮芳;;基于數(shù)據挖掘的蔬菜圖片病害自動分類[J];北京師范大學學報(自然科學版);2006年06期

9 ;A rough sets based pruning method for bagging ensemble[J];重慶郵電大學學報(自然科學版);2008年03期

10 胡峰;張杰;劉靜;肖大偉;;一種基于Rough集的海量數(shù)據屬性約簡方法[J];重慶郵電大學學報(自然科學版);2009年04期

中國重要會議論文全文數(shù)據庫 前10條

1 葉紅云;倪志偉;陳恩紅;;一種混合型集成學習演化決策樹算法[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

2 杜方鍵;楊宏暉;;K均值聚類優(yōu)化集成學習[A];2011'中國西部聲學學術交流會論文集[C];2011年

3 杜曉鳳;丁友東;;FloatBag選擇性神經網絡集成及其在人臉檢測中的應用[A];第十二屆全國信號處理學術年會（CCSP-2005）論文集[C];2005年

4 陳華杰;韋巍;;一種基于元泛化的Bagged Boosting算法[A];2005中國控制與決策學術年會論文集（上）[C];2005年

5 ;Adaptive multi-LSSVR based soft sensing for cobalt oxalate synthesis process[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年

6 ;Multiple ANNs Combined Scheme for Fault Diagnosis of Power Transformers[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年

7 師凱;蔡延光;鄒谷山;王濤;;蟻群算法及粒子群算法對比及在VRP中的應用[A];第二十四屆中國控制會議論文集（下冊）[C];2005年

8 劉峰;瞿俊;;基于聚類分析和神經網絡的時間序列預測方法[A];2006年全國開放式分布與并行計算學術會議論文集（一）[C];2006年

9 曹東升;許青松;梁逸曾;陳憲;李洪東;;組合樹的集合體和后向消除策略去分類P-糖蛋白化合物[A];第十屆全國計算(機)化學學術會議論文摘要集[C];2009年

10 陳珊;李曉寧;梁逸曾;張志敏;;拉曼光譜的熒光背景扣除及其用于藥物聚類分析[A];中國化學會第27屆學術年會第09分會場摘要集[C];2010年

中國博士學位論文全文數(shù)據庫 前10條

1 于化龍;基于DNA微陣列數(shù)據的癌癥分類技術研究[D];哈爾濱工程大學;2010年

2 鄧斌;B2C在線評論中的客戶知識管理研究[D];電子科技大學;2010年

3 蘇煜;基于SCF范式的在線P300腦機接口研究[D];浙江大學;2010年

4 杜方;復雜網絡系統(tǒng)間相似性識別及其應用[D];浙江大學;2010年

5 甘良志;核學習算法與集成方法研究[D];浙江大學;2010年

6 閆中敏;Deep Web數(shù)據獲取問題研究[D];山東大學;2010年

7 陳進;高光譜圖像分類方法研究[D];國防科學技術大學;2010年

8 張翔;文本挖掘技術研究及其在綜合風險信息網絡中的應用[D];西北大學;2011年

9 王飛;入侵檢測分類器設計及其融合技術研究[D];南京理工大學;2011年

10 王清;集成學習中若干關鍵問題的研究[D];復旦大學;2011年

中國碩士學位論文全文數(shù)據庫 前10條

1 馬冉冉;集成學習算法研究[D];山東科技大學;2010年

2 呂萬里;中文文本分類技術研究[D];山東科技大學;2010年

3 朱耿峰;支持向量機在沖擊地壓預測模型中的應用研究[D];山東科技大學;2010年

4 石國強;基于規(guī)則的組合分類器的研究[D];鄭州大學;2010年

5 陳松峰;利用PCA和AdaBoost建立基于貝葉斯的組合分類器[D];鄭州大學;2010年

6 吳正娟;特征變換在組合分類中的應用研究[D];鄭州大學;2010年

7 曹彥;基于支持向量機的特征選擇及其集成方法的研究[D];鄭州大學;2010年

8 周馳;數(shù)據流上概念漂移的檢測和分類[D];鄭州大學;2010年

9 朱新榮;徑向基函數(shù)神經網絡集成算法的研究及應用[D];大連理工大學;2010年

10 劉曉飛;基于相關反饋的圖像檢索研究[D];大連理工大學;2010年

  本文關鍵詞：行人再辨識關鍵技術，由筆耕文化傳播整理發(fā)布。

本文編號：300399