【摘要】：近年來,行人再識別技術(shù)憑借其在公共安全等領(lǐng)域的巨大潛力,成為計算機(jī)視覺問題中一個研究熱點。從本質(zhì)上講,行人再識別問題是一個圖像檢索問題。隨著深度學(xué)習(xí)技術(shù)在圖像處理領(lǐng)域的廣泛應(yīng)用,卷積神經(jīng)網(wǎng)絡(luò)及其衍生網(wǎng)絡(luò)成為解決行人再識別問題的主流基礎(chǔ)技術(shù)。針對數(shù)據(jù)無標(biāo)簽、行人特征區(qū)分性不足等在行人再識別過程中亟須解決的難點問題,研究者們提出許多優(yōu)質(zhì)的算法框架,并利用公共數(shù)據(jù)集進(jìn)行算法驗證,取得令人矚目的成績。本文在對深度學(xué)習(xí)技術(shù)相關(guān)理論梳理、總結(jié)和對行人再識別問題的發(fā)展歷程、經(jīng)典解決方案與面臨的難點進(jìn)行詳述、分析的基礎(chǔ)上,進(jìn)行兩方面的創(chuàng)新性研究:(1)針對漸進(jìn)無監(jiān)督模型應(yīng)用在行人再識別過程中行人特征區(qū)分性不足問題,提出中心化聚類損失函數(shù)的解決方案;(2)對基于Faster-RCNN的行人再識別框架E2E進(jìn)行改進(jìn),使用殘差神經(jīng)網(wǎng)絡(luò)ResNet-50提取行人特征,優(yōu)化模型訓(xùn)練過程。針對漸進(jìn)無監(jiān)督學(xué)習(xí)模型中采用Softmax損失函數(shù)訓(xùn)練后提取的行人特征可區(qū)分性不足的問題,本文設(shè)置距離懲罰項,提出了使用中心化聚類損失函數(shù)的方法。先利用k-means++生成聚類中心,在模型訓(xùn)練過程中,使相同身份的行人特征向聚類中心靠攏,縮小相同標(biāo)簽特征距離,增強(qiáng)了行人特征的可區(qū)分性。設(shè)計了對比實驗,并將訓(xùn)練過程中行人特征可視化,證明所提出方法的有效性。針對常用行人再識別數(shù)據(jù)集與實際應(yīng)用場景相差較大的問題,在端對端的行人再識別框架E2E中,采用ResNet-50替代模型E2E中的AlexNet,讓更深層次的網(wǎng)絡(luò)提取更細(xì)致的語義特征,利用區(qū)域提議網(wǎng)絡(luò)產(chǎn)生目標(biāo)候選的區(qū)域,通過多個損失函數(shù)聯(lián)合訓(xùn)練,實現(xiàn)行人檢測與再識別過程一體化。在實驗中,本文提出的算法與多個傳統(tǒng)行人檢測算法以及原始E2E框架進(jìn)行對比,證明了所提出算法的合理性和有效性。圖42幅,表7個,參考文獻(xiàn)63篇
【學(xué)位授予單位】：西安工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183
【圖文】：

1 緒論集信息水平與大規(guī)模圖像處理能力的低下，研究人員只能通過采集小規(guī)模的數(shù)據(jù)集，以及通過較為傳統(tǒng)的算法思路，提取行人的簡單特征，然后通過輸入數(shù)據(jù)樣本之間的相似性進(jìn)行匹配[13]。這樣的方法在處理行人再識別問題時，因為數(shù)據(jù)規(guī)模小，且算法不夠魯棒，往往難以取得良好的效果[14]。第二階段，由于深度神經(jīng)網(wǎng)絡(luò)在計算機(jī)視覺領(lǐng)域的廣泛應(yīng)用，人們發(fā)現(xiàn)經(jīng)過大量數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)可以在圖像分類上達(dá)到很好的效果，比如手寫數(shù)字識別問題[15]。于是，卷積神經(jīng)網(wǎng)絡(luò)及其衍生網(wǎng)絡(luò)成為行人再識別的主流研究方法。

1 緒論exNet 在 2012 年的 ImageNet 大規(guī)模視覺識別挑戰(zhàn)（ImageNetognitionChallenge,ILSVRC）中贏得圖像分類比賽的冠軍時，卷的研究人員關(guān)注。人們發(fā)現(xiàn)，通過大量標(biāo)注的數(shù)據(jù)對深度神經(jīng)網(wǎng)具有強(qiáng)大的分類能力[29]。卷積神經(jīng)網(wǎng)絡(luò)使用巨大的參數(shù)量擬取不同類別之間低級到高級的語義特征，從而對輸入圖片進(jìn)行精研究人員開始使用卷積神經(jīng)網(wǎng)絡(luò)及其衍生網(wǎng)絡(luò)解決行人再識別

圖 2-2 簡單神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對神經(jīng)網(wǎng)絡(luò)中數(shù)據(jù)輸入輸出描述為：神經(jīng)網(wǎng)絡(luò)通常為多輸入、多輸出模型，假設(shè)輸入為1 2 3 4[ x , x , x , x ]，其中1,...,i 與輸入層的神經(jīng)元一一對應(yīng)，設(shè)定輸出為1 2 3 4[ y , y , y , y ]，其中 與輸出層的神經(jīng)元對應(yīng)。隱含層中每一層都由多個神經(jīng)元組成，且每一個神經(jīng)元的輸入都來自于上一層的某個神經(jīng)元[37]。可以看出，神經(jīng)網(wǎng)絡(luò)是一個高維復(fù)雜函數(shù)模型的近似，它的主要參數(shù)為權(quán)重ij ，ij ，(i , j )表示權(quán)重與偏置值在網(wǎng)絡(luò)中的坐標(biāo)。

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 李臻;魏志強(qiáng);紀(jì)筱鵬;殷波;聶婕;倪欣;;基于自適應(yīng)背景模型的行人檢測方法[J];系統(tǒng)仿真學(xué)報;2009年S1期

相關(guān)博士學(xué)位論文 前3條

1 董虎勝;基于度量學(xué)習(xí)的行人再識別研究[D];蘇州大學(xué);2018年

2 SAEED-UR-REHMAN;基于機(jī)器學(xué)習(xí)的排序優(yōu)化及其在行人再識別中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2017年

3 祝博薈;基于深度與視覺信息融合的行人檢測與再識別研究[D];東華大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 段朦;基于深度學(xué)習(xí)的行人再識別技術(shù)研究與實現(xiàn)[D];南京郵電大學(xué);2018年

2 靳京;基于深度學(xué)習(xí)融入實體描述的知識圖譜表示學(xué)習(xí)研究[D];北京交通大學(xué);2018年

3 張凱;基于度量學(xué)習(xí)的行人再識別算法研究[D];西安科技大學(xué);2018年

4 何蘭;基于深度學(xué)習(xí)的行人再識別研究[D];西安電子科技大學(xué);2018年

5 王興柱;基于深度學(xué)習(xí)的行人再識別[D];中國科學(xué)技術(shù)大學(xué);2018年

6 趙文軒;智能監(jiān)控下的行人再識別問題[D];吉林大學(xué);2018年

7 管超;基于卷積神經(jīng)網(wǎng)絡(luò)的行人再識別技術(shù)研究[D];南京理工大學(xué);2018年

8 毛超杰;基于語義一致性的多視角行人再識別研究[D];浙江大學(xué);2018年

9 焦旭輝;基于深度學(xué)習(xí)的行人再識別技術(shù)研究[D];西南交通大學(xué);2017年

10 王凱南;監(jiān)控視頻中的行人再識別技術(shù)研究[D];東南大學(xué);2017年

本文編號：2782404