在計算機視覺中,行人重識別是一個具有挑戰(zhàn)性的任務(wù),因為其涉及到行人外觀、行人姿態(tài)、背景光線以及相機視域等方面的變化。因此,如何提取具有可分辨性的特征進行行人匹配是當(dāng)前行人重識別需要重點關(guān)注的問題。同時隨著深度學(xué)習(xí)的快速發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢為行人重識別問題的解決提供了很好的技術(shù)基礎(chǔ),通過網(wǎng)絡(luò)模型自動提取的行人特征可以有效地提高行人重識別的效率和準(zhǔn)確率。本文基于深度學(xué)習(xí)方法對行人重識別進行了模型及算法的研究,針對兩個不同的關(guān)注點提出了兩個模型,具體內(nèi)容如下:針對傳統(tǒng)的行人重識別方法直接提取全局特征,難以獲得較好的行人區(qū)分度的問題,本文提出一種基于注意力機制的多任務(wù)優(yōu)化學(xué)習(xí)算法模型。該模型由一個含有注意力機制的孿生網(wǎng)絡(luò)構(gòu)成,通過一個新的多任務(wù)損失函數(shù)進行參數(shù)調(diào)整。注意力機制通過強調(diào)有用的通道特征抑制作用較小的特征來提高網(wǎng)絡(luò)的辨別能力;多任務(wù)損失函數(shù)的目的是在特征空間中縮小同一個體的距離,同時增大不同個體之間的距離。通過在Market1501和CUHK03數(shù)據(jù)集上與其他傳統(tǒng)和深度學(xué)習(xí)算法的比較,進一步證明了本模型在行人重識別任務(wù)上的有效性。針對全局特征無法反映行人部位的細(xì)節(jié),難以有效提高行人重識別準(zhǔn)確率的情況,提出了一種多特征融合的行人表達方法。該方法不依賴于額外的骨架關(guān)鍵點或者姿態(tài)估計模型,通過一個特征劃分模型生成全局特征和部位特征,并保持不同圖片行人部位的內(nèi)容一致性;同時構(gòu)建一個自適應(yīng)評分網(wǎng)絡(luò)對部位特征的重要性進行評估,將全局特征和部位特征進行融合作為最終的行人特征。該方法在Market1501,CUHK03和DukeMTMC-reID三個廣泛使用的數(shù)據(jù)集上進行對比實驗,結(jié)果證明該方法優(yōu)于現(xiàn)有的大多數(shù)行人重識別算法。
【學(xué)位單位】：北京交通大學(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】：

交通大學(xué)碩士專業(yè)學(xué)位論文?國內(nèi)外研宄２國內(nèi)外研究現(xiàn)狀??隨著視頻監(jiān)控、智能安全等領(lǐng)域的發(fā)展，行人重識別任務(wù)在計算機視受關(guān)注。行人重識別的目的是從圖像數(shù)據(jù)庫中找出所有與給定圖像屬行人個體的圖像，而圖像庫中的圖像由應(yīng)用在不同位置的攝像頭所獲攝像頭不存在重疊視域，如圖２－１中攝像頭ａ和攝像頭ｂ所示。行人重為一個檢索問題，將給定圖像與數(shù)據(jù)庫中的所有圖像逐一對比，進行后返回一個候選集，其中在候選集中排名越靠前表示與給定圖像的相

來越受關(guān)注。行人重識別的目的是從圖像數(shù)據(jù)庫中找出所有與給定圖像屬于同一??關(guān)注行人個體的圖像，而圖像庫中的圖像由應(yīng)用在不同位置的攝像頭所獲取，而??這些攝像頭不存在重疊視域，如圖２－１中攝像頭ａ和攝像頭ｂ所示。行人重識別可??以視為一個檢索問題，將給定圖像與數(shù)據(jù)庫中的所有圖像逐一對比，進行相似度??排名后返回一個候選集，其中在候選集中排名越靠前表示與給定圖像的相似度越??大。???Ｌ?Ｊ???）Ｃａｍｅｒａ?ｂ?（?ＪｊＣａｍｅｆａａ?｜??圖２－１攝像頭位置分布??Ｆｉｇｕｒｅ?２－１?Ｃａｍｅｒａ?Ｐｏｓｉｔｉｏｎ?Ｄｉｓｔｒｉｂｕｔｉｏｎ??行人重識別選取一張圖像作為查詢圖像（ｑｕｅｒｙ），所有待匹配的＃張圖像組??成候選圖像數(shù)據(jù)庫（ｇａｌｌｅｒｙ），提取到的特征表示為｛ｇ，丨ｆ＝，。給定一張查詢圖像…??其所屬的行人個體號可通過公式（２－１）獲得：??ｒ＝ａｒｇｍａｘ，．６ｌ２?Ｎｓｉｍ（ｑ，ｇｉ）?（２－１）??其中，／＿是查詢圖像＾所屬的行人個體號，ｄＷ（，）是相似度度量函數(shù)??如圖２－２所示，是行人重識別的檢索結(jié)果，每行代表一個行人的查找結(jié)果，左??側(cè)為待查的行人圖像（ｑｕｅｒｙ）

Ｉ?＿＿＿??Ｉ?ｉｉｉｉｉ??■?顯國國■關(guān)??圖２－２行人檢索結(jié)果??Ｆｉｇｕｒｅ?２－２?Ｐｅｄｅｓｔｒｉａｎ?Ｓｅａｒｃｈ?Ｒｅｓｕｌｔｓ??７??
【相似文獻】

相關(guān)期刊論文 前10條

1 陳淑嫻;劉建明;;基于部位特征和全局特征的物體細(xì)粒度識別[J];計算機與現(xiàn)代化;2017年10期

2 寇月;徐宏斌;申德榮;聶鐵錚;;一種局部與全局特征相結(jié)合的主題域識別模型[J];東北大學(xué)學(xué)報(自然科學(xué)版);2018年02期

3 賈君霞;王小鵬;任恩恩;;基于全局特征的圖像檢索技術(shù)[J];自動化與儀器儀表;2011年01期

4 周東堯;伍岳慶;姚宇;;基于全局特征和尺度不變特征轉(zhuǎn)換特征融合的醫(yī)學(xué)圖像檢索[J];計算機應(yīng)用;2015年04期

5 王晶;王昊;;融合局部特征和全局特征的視頻拷貝檢測[J];清華大學(xué)學(xué)報(自然科學(xué)版);2016年03期

6 孫穎;馬江河;張雪英;;結(jié)合非線性全局特征和譜特征的腦電情感識別[J];計算機工程與應(yīng)用;2018年17期

7 孔銳,施澤生,郭立,張國宣;基于全局特征和局部特征組合的臉譜識別方法[J];系統(tǒng)仿真學(xué)報;2004年05期

8 金赟;宋鵬;鄭文明;趙力;;一種新的基于多核學(xué)習(xí)特征融合方法的語音情感識別方法(英文)[J];Journal of Southeast University(English Edition);2013年02期

9 李志敏,彭志剛,陳福祥;基于動態(tài)全局特征的指紋匹配算法的研究[J];沈陽化工學(xué)院學(xué)報;2000年04期

10 陳三風(fēng);梁永生;柳偉;任仙怡;;基于全局特征信息的快速場景識別與分類研究[J];微計算機信息;2010年25期

相關(guān)博士學(xué)位論文 前3條

1 周浩;基于神經(jīng)網(wǎng)絡(luò)的句法分析研究[D];南京大學(xué);2017年

2 王軍偉;融合全局與局部信息的形狀輪廓特征分析與匹配[D];華中科技大學(xué);2012年

3 謝博鋆;圖像特征表示的學(xué)習(xí)算法研究[D];北京交通大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 李芮;基于部位匹配與注意力模型的行人重識別算法研究[D];北京交通大學(xué);2019年

2 吳姝祎;基于全局特征的物體檢測[D];大連理工大學(xué);2011年

3 陶磊;基于區(qū)域和全局特征的圖像檢索系統(tǒng)設(shè)計與實現(xiàn)[D];華中科技大學(xué);2013年

4 王永杰;全局特征與局部特征相結(jié)合的人臉圖像檢索方法研究[D];遼寧大學(xué);2014年

5 劉傳藝;利用多尺度局部特征與全局特征的人臉驗證算法研究[D];華南理工大學(xué);2016年

6 何競;圖像語義標(biāo)注中的塊—全局特征提取方法研究[D];北京理工大學(xué);2011年

7 劉鎮(zhèn);基于內(nèi)容的圖像檢索中多特征融合技術(shù)的應(yīng)用研究[D];東北師范大學(xué);2008年

8 Muna Wafeeq Kadhim;面部圖像中年齡估計的兩種方法實現(xiàn)[D];華中科技大學(xué);2014年

9 趙碧茹;場景特征可分性與協(xié)同求解方法[D];合肥工業(yè)大學(xué);2012年

10 孔祥宇;基于顯著區(qū)域的圖像檢索方法研究[D];北京交通大學(xué);2008年

本文編號：2889843