近年來(lái),作為安全防范領(lǐng)域的重要手段之一,智能視頻監(jiān)控系統(tǒng)在安防中的需求與日俱增。行人重識(shí)別是智能監(jiān)控系統(tǒng)中一項(xiàng)重要技術(shù),目前已經(jīng)成為圖像處理領(lǐng)域中的一個(gè)熱點(diǎn)話題。行人重識(shí)別指的是在某一攝像頭下指定一個(gè)目標(biāo)行人,然后在其它不同區(qū)域的攝像頭下對(duì)該目標(biāo)行人進(jìn)行查找和識(shí)別的技術(shù)。由于光照變化、遮擋、拍攝角度等多種因素都可能影響到識(shí)別性能,如何提高行人重識(shí)別技術(shù)的識(shí)別率仍然是一個(gè)挑戰(zhàn)性的問(wèn)題。目前,深度學(xué)習(xí)已經(jīng)成功應(yīng)用在圖像檢測(cè)、目標(biāo)識(shí)別、圖像分類、語(yǔ)音識(shí)別等多個(gè)領(lǐng)域,同樣也在行人重識(shí)別領(lǐng)域有一定程度的研究。跟傳統(tǒng)的特征提取方法相比,深度學(xué)習(xí)網(wǎng)絡(luò)能夠自動(dòng)從圖像中學(xué)習(xí)到更魯棒更具有代表性的特征。因此,本文在研究深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等理論的基礎(chǔ)上提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和混合高斯的行人重識(shí)別方法。2017年,在計(jì)算機(jī)視覺(jué)與模式識(shí)別會(huì)議（CVPR,Computer Vision and Patern Recognition）中,鄭良等人提出了一種IDE行人重識(shí)別算法,本文方法是對(duì)IDE算法的一個(gè)改進(jìn)。該方法首先將數(shù)據(jù)集中的所有行人圖像送入到卷積神經(jīng)網(wǎng)絡(luò)（CNN,Convolutional Neural... 

【文章來(lái)源】：西安理工大學(xué)陜西省

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

監(jiān)控視頻下的行人重識(shí)別Fig.1-1PersonRe-IdentificationunderMonitoringVideo2）基于歷史監(jiān)控錄像的行人檢索

圖 2-1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2-1 The Structure Diagram of Neural Network非常具有局限性的，它僅僅對(duì)線性的問(wèn)題的“異或（XOR）”運(yùn)算等這種非線性的網(wǎng)絡(luò)陷入低潮，直到上個(gè)世紀(jì)八十年代，這一問(wèn)題才得以解決。多層感知機(jī)[33]隱含層數(shù)量增多，通過(guò)凸域可以形成任何問(wèn)題。多層感知機(jī)在當(dāng)時(shí)是比較理想的一兩個(gè)新的難題又隨之而來(lái)：1）隨著網(wǎng)絡(luò)層了局部最優(yōu)解，而且該局部最優(yōu)解會(huì)離真用該數(shù)據(jù)所訓(xùn)練的網(wǎng)絡(luò)，其性能往往還不略的問(wèn)題就是“梯度消失”。隨著網(wǎng)絡(luò)層數(shù)問(wèn)題的出現(xiàn)使神經(jīng)網(wǎng)絡(luò)的發(fā)展進(jìn)入另一個(gè)多大學(xué)的教授 Hinton 等人[34]提出了深度最優(yōu)解這一問(wèn)題，并且將網(wǎng)絡(luò)隱含層的數(shù)意義上才有了所謂的“深度”，也因此掀

Convolution Neural Networks）是最常見(jiàn)的深反饋神經(jīng)網(wǎng)絡(luò)，其最大的特點(diǎn)是具有權(quán)值共享這一低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度，減少網(wǎng)絡(luò)的權(quán)重?cái)?shù)量，從而為了當(dāng)前圖像識(shí)別、語(yǔ)音識(shí)別、目標(biāo)檢測(cè)等領(lǐng)域的值共享和下采樣這三個(gè)結(jié)構(gòu)是卷積神經(jīng)網(wǎng)絡(luò)的三大在識(shí)別過(guò)程中的縮放、位移和扭曲不變性[37]。其中全連接來(lái)對(duì)各個(gè)層之間的輸入和輸出進(jìn)行計(jì)算，也由卷積窗口和與之相對(duì)應(yīng)的輸入層中的某個(gè)區(qū)域內(nèi)受野這種方式可以在很大程度上減少需要訓(xùn)練參數(shù)像中選取的不同位置的小區(qū)域中使用相同的權(quán)重參，窗口內(nèi)的權(quán)值矩陣不變，僅改變窗口位置，這樣神經(jīng)元提取了相同的特征，這種方式也能夠極大的訓(xùn)練樣本的數(shù)量；3）下采樣是通過(guò)池化等方法進(jìn)行度的特征，同時(shí)降低了特征的維度。以上這三種方野，權(quán)值共享和下采樣的共同目的是減少數(shù)據(jù)維數(shù)

【參考文獻(xiàn)】：
期刊論文
[1]DGD卷積神經(jīng)網(wǎng)絡(luò)行人重識(shí)別[J]. 楊忠桃,章東平,楊力,井長(zhǎng)興.  中國(guó)計(jì)量大學(xué)學(xué)報(bào). 2017(04)
[2]基于字典學(xué)習(xí)和Fisher判別稀疏表示的行人重識(shí)別方法[J]. 張見(jiàn)威,林文釗,邱隆慶.  華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(07)
[3]采用增量式線性判別分析的行人再識(shí)別[J]. 霍中花,陳瑩.  小型微型計(jì)算機(jī)系統(tǒng). 2017(03)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[5]基于特征融合與核局部Fisher判別分析的行人重識(shí)別[J]. 張耿寧,王家寶,李陽(yáng),苗壯,張亞非,李航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[6]基于HSV模型和特征點(diǎn)匹配的行人重識(shí)別算法[J]. 彭志勇,常發(fā)亮,劉洪彬,別秀德.  光電子·激光. 2015(08)
[7]基于統(tǒng)計(jì)推斷的行人再識(shí)別算法[J]. 杜宇寧,艾海舟.  電子與信息學(xué)報(bào). 2014(07)
[8]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽(yáng)明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識(shí)別研究[J]. 趙志宏,楊紹普,馬增強(qiáng).  系統(tǒng)仿真學(xué)報(bào). 2010(03)

博士論文
[1]面向智能視頻監(jiān)控的行人目標(biāo)再識(shí)別研究[D]. 謝奕.浙江大學(xué) 2017
[2]面向監(jiān)控視頻的行人重識(shí)別技術(shù)研究[D]. 王亦民.武漢大學(xué) 2014

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)圖像分類應(yīng)用研究[D]. 柯小龍.深圳大學(xué) 2017
[2]基于深度學(xué)習(xí)的行人再識(shí)別技術(shù)研究[D]. 焦旭輝.西南交通大學(xué) 2017
[3]基于動(dòng)態(tài)度量和多維度表達(dá)的行人重識(shí)別研究[D]. 姚磊.武漢大學(xué) 2017
[4]子空間的流形學(xué)習(xí)特征提取方法及人臉識(shí)別研究[D]. 王海燕.哈爾濱理工大學(xué) 2017
[5]基于拓?fù)潢P(guān)系的距離度量與聚類算法研究[D]. 光俊葉.南京航空航天大學(xué) 2017
[6]智能視頻監(jiān)控系統(tǒng)中的行人重識(shí)別方法研究[D]. 彭志勇.山東大學(xué) 2016
[7]基于混合高斯模型的面板數(shù)據(jù)聚類研究[D]. 黃詠寧.華南理工大學(xué) 2016
[8]基于度量學(xué)習(xí)和深度學(xué)習(xí)的行人重識(shí)別研究[D]. 楊鈺源.重慶大學(xué) 2016
[9]監(jiān)控視頻下行人再識(shí)別技術(shù)研究[D]. 羅雯怡.電子科技大學(xué) 2016
[10]基于matching-CNN的行人再識(shí)別[D]. 徐志敏.西安電子科技大學(xué) 2015



本文編號(hào)：3290086