視頻監(jiān)控是智慧城市至關重要的組成部分,而行人再識別作為視頻監(jiān)控的重要內(nèi)容已逐漸引起了國內(nèi)外學者們的廣泛關注。隨著近幾年的發(fā)展,較深的網(wǎng)絡架構(gòu),較小的卷積核和卷積步長已被證明是提高深度學習性能的有效方法。而最大池化、平均池化、均方根池化在壓縮特征尺寸大小的同時能提高圖像對旋轉(zhuǎn)、尺度、平移等變化的魯棒性。因此,本文以改進型嵌套池化三元組卷積神經(jīng)網(wǎng)絡為基礎,研究不同嵌套池化方法對非理想自然條件下行人再識別的影響。本文的主要研究內(nèi)容如下:1、分析研究了行人再識別以及深度學習的國內(nèi)外發(fā)展現(xiàn)狀,并總結(jié)了目前行人再識別方法面臨的挑戰(zhàn)以及存在的不足。2、針對傳統(tǒng)行人再識別特征魯棒性不強以及難以正確計算局部距離的問題,提出了改進型嵌套池化三元組卷積神經(jīng)網(wǎng)絡。首先在Resnet50的卷積層后添加嵌套池化層提取全局特征,同時在卷積層后提取水平方向的7個局部特征。然后利用自動動態(tài)對齊方法計算局部距離,并利用改進型三元組損失函數(shù)同時訓練全局特征和局部特征的權重,最后利用置信度測量機制進一步避免僅利用直接度量而存在的誤匹配。3、在Market-1 501、CUHK03和VIPeR數(shù)據(jù)集上對改進型嵌套池化三元組卷積... 

【文章來源】：西安理工大學陜西省

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
    1.2 行人再識別難點分析
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 行人再識別研究現(xiàn)狀
        1.3.2 深度學習研究現(xiàn)狀
    1.4 主要研究內(nèi)容
    1.5 組織結(jié)構(gòu)
2 卷積神經(jīng)網(wǎng)絡相關理論
    2.1 網(wǎng)絡結(jié)構(gòu)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 全連接層
    2.2 激活函數(shù)
    2.3 正則化方法
    2.4 訓練過程
        2.4.1 反向傳播算法
        2.4.2 梯度下降算法
    2.5 本章小結(jié)
3 嵌套池化三元組卷積神經(jīng)網(wǎng)絡的行人再識別
    3.1 網(wǎng)絡模型
        3.1.1 殘差網(wǎng)絡
        3.1.2 全局特征提取過程
        3.1.3 局部特征提取及相似性距離計算
    3.2 三元組損失函數(shù)
        3.2.1 三元組損失函數(shù)的提出過程
        3.2.2 難樣本挖掘策略
        3.2.3 改進的三元組損失函數(shù)
    3.3 間接度量
        3.3.1 K相互最近鄰重排
        3.3.2 置信度測量機制
    3.4 評價指標
    3.5 本章小結(jié)
4 實驗及結(jié)果分析
    4.1 實驗數(shù)據(jù)集
    4.2 實驗環(huán)境
    4.3 模型性能分析
        4.3.1 不同非理想自然條件下的檢測效果
        4.3.2 不同模型的檢測性能對比
    4.4 池化方法的性能分析
        4.4.1 不同池化方法對旋轉(zhuǎn)、尺度變化的魯棒性分析
        4.4.2 不同嵌套池化順序的影響分析
        4.4.3 置信度測量機制的影響分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻
攻讀學位期間主要研究成果


【參考文獻】：
期刊論文
[1]基于新型三元卷積神經(jīng)網(wǎng)絡的行人再辨識算法[J]. 朱建清,曾煥強,杜永兆,雷震,鄭力新,蔡燦輝.  電子與信息學報. 2018(04)
[2]融合直接度量和間接度量的行人再識別[J]. 蔣檜慧,張榮,李小寶,郭立君.  模式識別與人工智能. 2018(02)
[3]行人再識別技術及其應用[J]. 羅鴻斌.  電腦知識與技術. 2017(36)
[4]行人重識別研究綜述[J]. 宋婉茹,趙晴晴,陳昌紅,干宗良,劉峰.  智能系統(tǒng)學報. 2017(06)
[5]行人再識別研究進展綜述[J]. 張建明,羊立,成科揚.  信息技術. 2017(10)
[6]基于自適應顯著特征選擇的動態(tài)加權平均行人識別模型[J]. 楊超,蔡曉東,甘凱今,王麗娟.  計算機工程與科學. 2017(05)
[7]基于姿態(tài)對齊的行人重識別方法（英文）[J]. 王金,劉潔,高常鑫,桑農(nóng).  控制理論與應用. 2017(06)
[8]深度學習的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉.  計算機研究與發(fā)展. 2013(09)
[9]AdaBoost算法研究進展與展望[J]. 曹瑩,苗啟廣,劉家辰,高琳.  自動化學報. 2013(06)

博士論文
[1]面向監(jiān)控視頻的行人重識別技術研究[D]. 王亦民.武漢大學 2014



本文編號：3151676