隨著現(xiàn)代社會中監(jiān)控設(shè)備的大量部署,對監(jiān)控畫面的人工檢視顯得力不從心,智能監(jiān)控領(lǐng)域的研究正受到越來越多的關(guān)注。行人重識別則是智能監(jiān)控中的核心一環(huán),主要研究內(nèi)容是從無重疊視場的監(jiān)控畫面中查找出指定的行人目標(biāo),用來刻畫該目標(biāo)在監(jiān)控點(diǎn)之間的移動軌跡。行人重識別的研究可以被看作是一個類似模式識別的分類問題,一般由對行人的特征提取和對特征進(jìn)行度量兩步完成。行人重識別的很多研究都關(guān)注于對行人的特征提取方面。由于行人圖像的復(fù)雜性,傳統(tǒng)計(jì)算機(jī)視覺領(lǐng)域的方法往往難以定義出一個良好的特征描述子;而近年來興起的深度神經(jīng)網(wǎng)絡(luò)模型,雖然已經(jīng)具備了一定的行人重識別能力,但其往往都是對圖像的全局像素進(jìn)行無差別的學(xué)習(xí),無法區(qū)分圖像的重點(diǎn)區(qū)域�？紤]到行人圖像中常有一半左右的像素屬于背景畫面,與行人目標(biāo)沒有直接關(guān)系,影響了特征的質(zhì)量,因此本文希望在引入深度網(wǎng)絡(luò)模型的基礎(chǔ)上,強(qiáng)化行人目標(biāo)對特征的影響,弱化噪聲干擾,來提高行人特征描述子的質(zhì)量,獲得更高性能的模型。本文首先基于表征學(xué)習(xí)的思路提出了一個特征融合網(wǎng)絡(luò),將行人的局部特征和全局特征融合成一個統(tǒng)一的特征描述子來對行人進(jìn)行識別和分類。該網(wǎng)絡(luò)模型由3部分組成:行人局部特征提取模塊、全局特征提取模塊和特征融合模塊。局部特征提取模塊使用了改進(jìn)的LOMO方法來描述局部特征,該方法將提取LOMO特征的范圍限定在行人目標(biāo)的主體區(qū)域中,盡可能的排除背景像素對特征造成的干擾,來強(qiáng)化前景像素的影響;全局特征提取模塊選用了近年表現(xiàn)較為突出的深度殘差網(wǎng)絡(luò)模型,獲得行人全局特征向量;特征融合模塊通過訓(xùn)練神經(jīng)元,將行人的局部和全局特征向量相融合,并完成對行人圖像的識別、分類工作。最后通過在主流的行人重識別數(shù)據(jù)集上進(jìn)行對比實(shí)驗(yàn),證明該特征融合網(wǎng)絡(luò)的性能優(yōu)于傳統(tǒng)的特征提取方法和單一的深度神經(jīng)網(wǎng)絡(luò)模型。隨后本文在度量學(xué)習(xí)方法上對該特征融合網(wǎng)絡(luò)進(jìn)行進(jìn)一步改進(jìn)和優(yōu)化,以特征融合網(wǎng)絡(luò)為基礎(chǔ),提出了一個融合行人局部特征的三元組度量模型。通過特征融合網(wǎng)絡(luò)計(jì)算三元組的特征向量,并度量出特征的距離,訓(xùn)練模型完成推開負(fù)樣本對、拉近正樣本對的工作。為了保證模型的訓(xùn)練效率,模型通過難樣本取樣的方式從數(shù)據(jù)集中選取樣本構(gòu)成輸入的三元組。通過對比實(shí)驗(yàn),該三元組度量模型進(jìn)一步提高了特征融合網(wǎng)絡(luò)的分類精度,達(dá)到了優(yōu)化模型的目的,同時也證明了度量學(xué)習(xí)的方法在規(guī)模較大的數(shù)據(jù)集上,相較表征學(xué)習(xí)能取得更好的準(zhǔn)確性。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP183
【部分圖文】：

如圖 1.1，圖中主要依據(jù)的檢測特征從左到右依次為短褲，手提袋，背包，商標(biāo)，條紋。圖1.1 檢測條帶中特征的結(jié)果。2014 年中科院 Yang Y[8]等人提出了一種基于顯著顏色名稱的顏色描述子（SalientColorNamesbasedColorDescriptor，SCNCD）方法用于行人重識別的研究，原理如圖 1.2 所示。SCNCD 是將 RGB 顏色空間中的 16 色色板顏色名稱預(yù)定義為基準(zhǔn)顏色名稱，通過計(jì)算行人目標(biāo)的圖像顏色（RGB 空間）的概率分布，將行人的顏色映射到基準(zhǔn)名稱中，依據(jù)顏色名稱分布來描述行人特征。文中通過實(shí)驗(yàn)證明了 SCNCD能夠比較好的應(yīng)對光照變化、背景干擾和較小部分的行人遮擋。

西安電子科技大學(xué)碩士學(xué)位論文4圖1.2 基于顯著顏色名稱的顏色描述子原理示意圖2015 年 LiaoS [9]提出一種局部最大事件（Local Maximal Occurrence，LOMO)作為對行人圖像特征的描述，在人工提取的特征描述子中性能較為優(yōu)異。以上一些學(xué)者主要從圖像特征上著手，取得了相當(dāng)?shù)难芯砍晒�，并為后來的研究者提供了大量的思路。而隨著神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)的興起，越來越多的研究人員發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)[11]工具可以很好的應(yīng)用在包括行人重識別在內(nèi)的計(jì)算機(jī)視覺領(lǐng)域中多種方向，使得行人重識別研究成果進(jìn)入了一個新的高潮。深度學(xué)習(xí)下的行人重識別工作主要分為表征學(xué)習(xí)和度量學(xué)習(xí)兩個方向[10]。2016 年，Ahmed E 等人[12]提出了一個神經(jīng)網(wǎng)絡(luò)模型，如圖 1.3

圖1.3 EjazAhmed 等人提出的模型結(jié)構(gòu)圖[12]用孿生網(wǎng)絡(luò)結(jié)構(gòu)，輸入為一對行人圖像，各自通過一個共Tied Convolution），并提取一定的特征信息；在較高層Differences）計(jì)算出前面卷積層和池化層得到的兩個行人
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 祖來克孜·米吉提;;神經(jīng)網(wǎng)絡(luò)模型在分類與預(yù)測中的應(yīng)用研究[J];喀什大學(xué)學(xué)報(bào);2018年03期

2 陳海華;;基于神經(jīng)網(wǎng)絡(luò)模型的高速公路交通量短時預(yù)測方法[J];中國交通信息化;2017年08期

3 李赟妮;;神經(jīng)網(wǎng)絡(luò)模型在銀行互聯(lián)網(wǎng)金融反欺詐中的應(yīng)用探索[J];金融科技時代;2018年08期

4 花廣如;李文浩;郭陽陽;;基于神經(jīng)網(wǎng)絡(luò)模型的海南變電站接地網(wǎng)Q235鋼腐蝕率預(yù)測[J];腐蝕與防護(hù);2017年08期

5 周靜;周正松;高旸;許歡;裴姣;張韜;;神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于數(shù)據(jù)缺失機(jī)制識別的可行性分析[J];現(xiàn)代預(yù)防醫(yī)學(xué);2017年21期

6 王呈會;;神經(jīng)網(wǎng)絡(luò)模型在水文模擬中的應(yīng)用研究[J];東北水利水電;2016年05期

7 ;新型人造突觸可使人工智能更加“聰明”[J];科學(xué)之友(上半月);2017年08期

8 曹文才;;科技型中小企業(yè)技術(shù)創(chuàng)新能力評價體系的構(gòu)建——基于量子衍生神經(jīng)網(wǎng)絡(luò)模型的實(shí)證研究[J];應(yīng)用概率統(tǒng)計(jì);2013年06期

9 紀(jì)娟;;神經(jīng)網(wǎng)絡(luò)模型在財(cái)務(wù)風(fēng)險預(yù)警中的應(yīng)用[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2011年01期

10 郭強(qiáng);羅長壽;魏清鳳;;基于遺傳算法神經(jīng)網(wǎng)絡(luò)模型的蔬菜價格預(yù)報(bào)[J];安徽農(nóng)業(yè)科學(xué);2011年26期

相關(guān)博士學(xué)位論文 前10條

1 楊繼偉;多特征融合的行人重識別算法研究及其加速[D];中國科學(xué)技術(shù)大學(xué);2019年

2 張國校;基于深層神經(jīng)網(wǎng)絡(luò)模型的淺層語義解析統(tǒng)計(jì)研究[D];暨南大學(xué);2017年

3 周彥辰;事故條件下放射性廢液污染預(yù)測的機(jī)理性神經(jīng)網(wǎng)絡(luò)模型研究[D];武漢大學(xué);2015年

4 王雨農(nóng);基于視覺注意機(jī)制的神經(jīng)網(wǎng)絡(luò)模型研究及應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2017年

5 喻維;軟件缺陷報(bào)告管理關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2018年

6 李翠平;解l_1-范數(shù)問題的神經(jīng)網(wǎng)絡(luò)模型研究[D];陜西師范大學(xué);2018年

7 袁朝暉;二元離散神經(jīng)網(wǎng)絡(luò)模型的動力學(xué)分析[D];湖南大學(xué);2003年

8 劉開宇;幾類二元神經(jīng)網(wǎng)絡(luò)模型的動力學(xué)性質(zhì)研究[D];湖南大學(xué);2004年

9 李秀玲;具時滯的四維神經(jīng)網(wǎng)絡(luò)模型的分支問題研究[D];東北師范大學(xué);2005年

10 黃創(chuàng)霞;幾類神經(jīng)網(wǎng)絡(luò)模型的動力學(xué)研究[D];湖南大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 楊雄輝;彩色圖像引導(dǎo)的深度圖像重建方法研究[D];南昌大學(xué);2019年

2 鄒大鵬;基于自組織映射與自適應(yīng)諧振學(xué)習(xí)的協(xié)同神經(jīng)網(wǎng)絡(luò)模型研究[D];哈爾濱工業(yè)大學(xué);2019年

3 張思陽;具有位錯結(jié)構(gòu)的全方位輪式移動平臺運(yùn)動特性研究[D];沈陽航空航天大學(xué);2019年

4 柯賢庭;Spiking卷積神經(jīng)網(wǎng)絡(luò)模型研究及應(yīng)用[D];西安電子科技大學(xué);2019年

5 李天霖;融合局部特征的行人重識別神經(jīng)網(wǎng)絡(luò)模型[D];西安電子科技大學(xué);2019年

6 謝忱宇;基于LSTM神經(jīng)網(wǎng)絡(luò)模型的因子選股策略研究[D];遼寧大學(xué);2019年

7 張婷婷;三類時滯細(xì)胞神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性分析[D];東北林業(yè)大學(xué);2019年

8 許棟武;基于多任務(wù)學(xué)習(xí)的車輛再識別算法研究[D];北京交通大學(xué);2019年

9 王超;優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型在隧道探地雷達(dá)實(shí)測數(shù)據(jù)分類中的研究及應(yīng)用[D];長安大學(xué);2019年

10 徐峰;基于改進(jìn)神經(jīng)網(wǎng)絡(luò)模型的鋰電池SOC預(yù)測方法研究[D];重慶郵電大學(xué);2018年

本文編號：2859632