發(fā)布時間：2020-08-28 19:51

　　 近年來,面向平安城市、智慧城市等安防工程的重大需求,視頻監(jiān)控系統(tǒng)已經(jīng)在全國各地被廣泛地部署。大規(guī)模視頻監(jiān)控網(wǎng)絡(luò)每天產(chǎn)生海量的視頻數(shù)據(jù),傳統(tǒng)的人工數(shù)據(jù)分析手段已遠(yuǎn)不能滿足現(xiàn)階段的安防需求。因此智能視頻監(jiān)控系統(tǒng)備受科研機構(gòu)和公安部門關(guān)注。行人再識別是智能視頻監(jiān)控系統(tǒng)中的關(guān)鍵一環(huán),該技術(shù)旨在判斷不同攝像頭采集到的不同行人圖像/視頻是否為同一目標(biāo)行人。行人再識別技術(shù)能夠在大規(guī)模數(shù)據(jù)庫中對特定行人進行快速有效地檢索追蹤,它已成為計算機視覺和多媒體分析等領(lǐng)域的熱門研究方向。由于實際監(jiān)控環(huán)境復(fù)雜多變,傳統(tǒng)可靠的生物特征無法有效獲取,行人再識別技術(shù)目前主要依靠外觀信息識別不同行人。而由于視角變化、光照變化、遮擋等因素影響,精確且魯棒的行人再識別仍然是十分有挑戰(zhàn)性的任務(wù)。本文對行人再識別進行了深入和系統(tǒng)性研究,根據(jù)不同的特征信息和應(yīng)用場景,從四個方向設(shè)計不同的算法模型,提升行人再識別的性能。主要研究內(nèi)容和創(chuàng)新如下:(1)基于外觀信息的行人再識別。本文基于深度學(xué)習(xí)技術(shù),設(shè)計了兩種不同的網(wǎng)絡(luò)模型。1.多尺度三元組卷積神經(jīng)網(wǎng)絡(luò),該模型聯(lián)合特征提取與度量學(xué)習(xí),從圖像中抽取多尺度的外觀信息,學(xué)習(xí)具有區(qū)分力的行人特征。此外,該網(wǎng)絡(luò)提出一種改進的三元組損失函數(shù)來優(yōu)化模型。2.聯(lián)合上下文及比較性注意力的卷積神經(jīng)網(wǎng)絡(luò),它利用人體部位間的關(guān)聯(lián)性提取上下文感知特征,同時使用注意力比較模塊提取注意力感知比較特征。最后聯(lián)合這兩種互補的特征學(xué)習(xí)更有效的行人特征。實驗結(jié)果表明了這兩種網(wǎng)絡(luò)模型的有效性,并取得高識別精度。(2)基于外觀信息及語義屬性的行人再識別。針對外觀特征易受到不同因素干擾,魯棒性能較差,本文提出聯(lián)合語義屬性和視覺外觀兩種不同特征,設(shè)計了一種基于上下文及注意力的屬性外觀網(wǎng)絡(luò)模型,以此自動學(xué)習(xí)具有分辨力和魯棒性的行人特征,提升網(wǎng)絡(luò)模型的魯棒性能。在多個圖像數(shù)據(jù)集上的實驗結(jié)果表明該網(wǎng)絡(luò)能夠提取有效的行人特征,并取得較高的識別性能。(3)基于外觀和時序信息的行人再識別。相較于圖像,視頻序列蘊含更豐富的時序信息。為了充分利用這些信息,本文提出了一種稠密3D卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)結(jié)合3D卷積操作和殘差模塊,能夠自動地從視頻序列中學(xué)習(xí)有效的外觀和時空特征。同時它使用識別損失和中心損失進行聯(lián)合優(yōu)化,學(xué)習(xí)更具區(qū)分性的行人特征。在兩個公開的視頻數(shù)據(jù)集上的實驗結(jié)果,驗證了該方法的有效性。(4)基于跨領(lǐng)域匹配的行人再識別�，F(xiàn)有方法泛化性能較差,導(dǎo)致其難以在實際場景應(yīng)用。本文針對這個問題,提出一種自適應(yīng)遷移網(wǎng)絡(luò)。該模型深入研究產(chǎn)生域間差異的“黑盒子”,將復(fù)雜的跨域轉(zhuǎn)換任務(wù)分解為一組中間子任務(wù),并根據(jù)不同因素的影響自適應(yīng)地生成更加符合目標(biāo)域風(fēng)格的圖像,提升模型的泛化性能。在多個圖像數(shù)據(jù)集上的實驗結(jié)果,表明了該方法能夠有效地縮小域間差異,提升跨域識別率。
【學(xué)位單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2019
【中圖分類】：TN948.6;TP391.41
【部分圖文】：

行人逡逑圖１．２行人再識別系統(tǒng)框架流程圖逡逑一個完整的行人再識別系統(tǒng)可分為兩個部分，如圖１．２所示：Ｉ．行人檢測，逡逑２．行人匹配。目前大部分研宄工作都集中在“行人匹配”這一部分。用ｇ和逡逑５＝邋｛仍，仍，．．？，分ｎ｝分別表示目標(biāo)行人圖像／視頻和待查詢行人數(shù)據(jù)庫，我們可以逡逑將行人再識別任務(wù)抽象成數(shù)學(xué)公式來描述：逡逑８邋＝邋ａｒｇｍｉｎ邋Ｄ（ｆｌｆｉ，ｇ），邋ｇｔ邋Ｇ邋３邐（ｌ．ｌ）逡逑ｅ逡逑３逡逑

邐／邋Ｂ邐＇逡逑圖１．４基于顯著性標(biāo)準(zhǔn)顏色描述子的示例圖，顯著性標(biāo)準(zhǔn)顏色的數(shù)值表示該組標(biāo)準(zhǔn)顏色的逡逑概率逡逑顏色空間的統(tǒng)計直方圖描述子和ＳＩＦＴ局部特征描述子。Ｍａ等人［２１］結(jié)合生物啟逡逑發(fā)特征描述子和協(xié)方差特征描述子，提出一種ｇＢｉＣｏｖ特征。其中協(xié)方差特征描逡逑述子是將原始行人圖像轉(zhuǎn)入到ＨＳＶ顏色空間中，并分別對不同的顏色通過進行逡逑多尺度的Ｇａｂｏｒ濾波特征提取，再將得到濾波器特征的差分圖像劃分為３２邋Ｘ邋２逡逑的稠密網(wǎng)格區(qū)域，并計算出各個網(wǎng)格區(qū)域內(nèi)的協(xié)方差特征描述子。因此ｇＢｉＣｏｖ逡逑特征具有抗背景和光照干擾的能力。Ｌｉａｏ等人［２２］提出一種局部最大出現(xiàn)概率特逡逑征（ＬＯＭＯ），它是近幾年來基于稠密網(wǎng)絡(luò)劃分策略的手工設(shè)計特征中，性能最逡逑為成功的一種特征表達(dá)。ＬＯＭＯ特征描述子采用１０Ｘ１０的稠密網(wǎng)格劃分和５邋Ｘ邋５逡逑的移動間隔步長。在從圖像各個網(wǎng)格中提�。龋樱纸y(tǒng)計直方圖特征和兩種不同尺逡逑度下的尺度不變性局部三元模式（ＳｃａｌｅｌｎｖａｒｉａｎｔＬｏｃａｌ邋Ｔｅｒｎａｒｙ邋Ｐａｔｔｅｒｎ，邋ＳＩＬＴＰ）特征逡逑后，對同一高度的網(wǎng)格區(qū)域內(nèi)提取的特征作最大池化（Ｍａｘ邋Ｐｏｏｌｉｎｇ）運算，從而逡逑生成最顯著的局部不變性特征。同時

生成最顯著的局部不變性特征。同時，ＬＯＭＯ特征對圖像還采用Ｒｅｔｉｎｅｘ增強技逡逑術(shù)進行預(yù)處理來降低不同相機視角下的圖像光照差異照成的千擾。該特征提出逡逑的過程如圖１．５所示。逡逑Ｑ邐Ｂ邐ｍｏ逡逑（１邋Ｉ邋Ｉ邐；——｜ｊＬ＿．逡逑ＩＨ邐ｏｃｃｕｒｓ邋Ａ？？逡逑Ｂ邐§邐Ｉ逡逑■邐■邐Ｕ逡逑ｉｍａｇｅ邋Ｐａｔｃ？＞ｅｓ邐Ｈｉｓｔｏｇｍｍ逡逑Ｏｒｉｇｉｎａｌ邋Ｉｍａｇｅ逡逑圖１．５從行人圖像中提出ＬＯＭＯ特征的過程展示逡逑目前，很多相關(guān)方法都是基于低層次視覺特征實現(xiàn)的，然而在人類識別不同逡逑７逡逑

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟;2017年18期

2 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[J];電工技術(shù);2019年11期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

9 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

10 蘇秀婷;;耦合神經(jīng)網(wǎng)絡(luò)的同步[J];紹興文理學(xué)院學(xué)報(自然科學(xué));2016年03期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2808074