發(fā)布時(shí)間：2018-01-24 10:59

  本文關(guān)鍵詞： 行人再識(shí)別 預(yù)排序分類 后排序優(yōu)化 優(yōu)先級(jí)排序 超圖 重排序?qū)W習(xí)和分類 多特征融合　出處：《中國(guó)科學(xué)技術(shù)大學(xué)》2017年博士論文　論文類型：學(xué)位論文

【摘要】：近年來(lái),計(jì)算機(jī)視覺中的行人再識(shí)別問題受到了研究者的重點(diǎn)關(guān)注,已成為一個(gè)新興的研究領(lǐng)域。目前,行人再識(shí)別技術(shù)存在許多挑戰(zhàn),特別是重排序或后排序優(yōu)化問題。行人再識(shí)別問題的目標(biāo)是當(dāng)其出現(xiàn)在其它相機(jī)中時(shí),對(duì)其進(jìn)行再識(shí)別。這類視覺系統(tǒng)主要用于人流密集場(chǎng)所的監(jiān)控,如機(jī)場(chǎng)、銀行和購(gòu)物中心等。受遮擋、光照變化、相機(jī)視角、相機(jī)/目標(biāo)運(yùn)動(dòng)、背景變化等的復(fù)雜因素影響,對(duì)行人進(jìn)行準(zhǔn)確、魯棒的再識(shí)別存在巨大的挑戰(zhàn)。行人再識(shí)別的研究主要集中在兩個(gè)方面:1)產(chǎn)生魯棒的特征表示或特征描述子;2)建立高效的信息相似性度量機(jī)制。大多數(shù)方法基于提取的差異特征計(jì)算查詢圖像和圖像庫(kù)之間的相似度,然后再進(jìn)行排序。此類相似性無(wú)法表示圖像之間復(fù)雜和高層的關(guān)系,因此會(huì)導(dǎo)致次優(yōu)的匹配結(jié)果,尤其是在秩1排序中,該類方法性能較差�，F(xiàn)有的再識(shí)別方法在某些特定場(chǎng)景中表現(xiàn)良好,但在秩1排序中的性能仍有待提高。同時(shí),由于需要人為調(diào)整,該類視覺系統(tǒng)易用性較差。對(duì)此,本文提出排序優(yōu)化和優(yōu)先排序方法進(jìn)行行人再識(shí)別。本文提出了兩種解決方法:第一種是基于圖像預(yù)排序分類的行人再識(shí)別方法,第二種是基于后排序優(yōu)先級(jí)的行人再識(shí)別方法,是本文研究的重點(diǎn)。此外,本文還給出了后排序優(yōu)化方法的設(shè)計(jì)和評(píng)估細(xì)節(jié)。本文的主要工作和貢獻(xiàn)如下:1)針對(duì)行人再識(shí)別中大型圖像數(shù)據(jù)庫(kù)圖像查詢時(shí)間代價(jià)大的問題,本文提出基于色彩類別進(jìn)行預(yù)排序分類,創(chuàng)建了六種色彩類別。為產(chǎn)生簽名,本研究使用了顯著稠密顏色特征,并基于SIFT特征和凸包檢測(cè)實(shí)現(xiàn)目標(biāo)提取,將行人圖像分割為三個(gè)水平條以提取特征,然后基于增量線性判別分析進(jìn)行訓(xùn)練,同時(shí)采用最大相關(guān)和最小冗余技術(shù)減小計(jì)算量。2)針對(duì)后排序優(yōu)化問題,本研究提出兩種改善基線法結(jié)果的方法,分別為基于超圖的后排序優(yōu)化和基于多特征融合的重排序算法�；趫D的方法已被證實(shí)可有效應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域,特別是圖像檢索和識(shí)別問題。但此類方法無(wú)法表達(dá)樣本之間的高層關(guān)系,因此本研究采用比基于圖的方法更有效的超圖方法,并提出了一個(gè)基于超圖的學(xué)習(xí)策略,不僅提高了秩1排序的準(zhǔn)確性,還對(duì)圖像之間復(fù)雜和高層關(guān)系進(jìn)行建模。該方法首先通過(guò)基線法獲得初始排序列表,然后應(yīng)用一種新的優(yōu)化方法對(duì)排序結(jié)果進(jìn)行分類。該算法計(jì)算每個(gè)圖像在列表中的位置并自動(dòng)查找相關(guān)信息。為發(fā)現(xiàn)樣本之間的關(guān)系,本文使用超圖進(jìn)行重排序?qū)W習(xí),使用軟分配技術(shù)學(xué)習(xí)超圖權(quán)重。該方法的優(yōu)點(diǎn)為:1)降低對(duì)人工的依賴,提高了視覺系統(tǒng)的自動(dòng)化性能;2)減少了初始排序列表,因此降低了最終的計(jì)算代價(jià);3)對(duì)噪聲具有較高的魯棒性而且估計(jì)結(jié)果具有較高的相關(guān)性。3)針對(duì)基于單個(gè)特征行人再識(shí)別系統(tǒng)判別能力不足的問題,本研究提出了一種基于多特征融合的重排序框架。目前,大部分傳統(tǒng)方法一般利用獨(dú)立模式提取長(zhǎng)特征向量對(duì)圖像進(jìn)行描述。本文提出從樣本中提取多種特征,生成混合向量并以此構(gòu)造聯(lián)合特征向量,利用曼哈頓距離度量圖像對(duì)之間的相似性�；诼�(lián)合特征向量和距離度量方式,本文提出基于樹的重排序算法。因此,通過(guò)結(jié)合不同類型特征的優(yōu)勢(shì),得到了更好的重排序結(jié)果。此外,該方法的另一優(yōu)點(diǎn)是可以對(duì)內(nèi)存進(jìn)行有效管理。4)本文算法降低了計(jì)算代價(jià),能有效表達(dá)樣本之間的高層關(guān)系,將多特征融合集成到重排序過(guò)程,實(shí)現(xiàn)了更好的重排序性能,提高了行人再識(shí)別和重排序的結(jié)果。在更有挑戰(zhàn)性的VIPeR,CUHK,GRID和ETHZ等公開數(shù)據(jù)集上進(jìn)行擴(kuò)展實(shí)驗(yàn),使用累積匹配特征CMC曲線評(píng)估算法性能,結(jié)果表明本文提出的重排序方法優(yōu)于現(xiàn)有算法,而且本文提出的排序優(yōu)化和優(yōu)先排序方法可以與基線法相結(jié)合以獲得較為魯棒和準(zhǔn)確的重排序結(jié)果。5)行人再識(shí)別后排序問題是目前的研究熱點(diǎn),因此本文介紹了后排序優(yōu)化(POP)方法的設(shè)計(jì)和性能評(píng)估細(xì)節(jié),詳細(xì)分析了各種后排序算法,基線方法選擇機(jī)制和基準(zhǔn)數(shù)據(jù)集的選擇。此外,本文討論了設(shè)計(jì)和評(píng)估POP方法的未來(lái)研究方向。
[Abstract]:In recent years, the pedestrian in computer vision recognition by the focus of attention of researchers, has become a new research field. At present, the pedestrian recognition technology has many challenges, especially after reordering or sequence optimization problem. Then pedestrian target recognition problem is when it appears in the other camera. Re recognition on it. This kind of visual system is mainly used for monitoring, crowded places such as airports, banks and shopping center. Due to occlusion, changes in illumination, camera, camera / object motion, the complicated factors that affect the change of background, the pedestrian is accurate, robust recognition is still a great challenge. Study on pedestrian recognition mainly concentrated in two aspects: 1) feature representation or robust feature descriptor; 2) to establish an efficient information similarity measure calculation method based on query mechanism. Most of the difference of feature extraction The similarity between the image and the image database, and then sorted. This similarity between images can represent complex and high-level, therefore leads to suboptimal matching results, especially in the 1 rank sort, performance of this kind of method is poor. Then the existing recognition methods in some specific performance in the scene, but the performance in the rank 1 sorting remains to be improved. At the same time, the need to adjust, the visual system usability is poor. In this regard, this sort of optimization and priority sorting method for pedestrian recognition. This paper proposes two methods: the first is the recognition method of pedestrian image pre sorting based on classification. The second is based on the recognition method of pedestrian priority ranking, is the focus of this paper. In addition, this paper gives the sort optimization method of design and evaluation in detail. The main work and contributions are as follows: 1 According to the pedestrian recognition) in large image database image query time cost problem, this paper proposes a pre sorting based on color categories, created six color categories. For signature, this study used a remarkably dense color feature, and the characteristics of SIFT based on the target detection and hull extraction, pedestrian image segmentation is three a horizontal bar to extract features, then the incremental linear discriminant analysis based on training, while the most relevant and minimum redundancy technology to reduce the computation of.2) optimization problem for sorting, this study proposes two methods to improve the baseline results, respectively based on Hypergraph ranking after optimization and re ranking algorithm based on multi feature fusion. Graph based methods have been proved to be effective in the field of computer vision, especially in image retrieval and recognition. But these methods cannot express samples The relationship between the method of high-rise, therefore this study uses the graph based on hypergraph is more effective method, and proposes a hypergraph based learning strategy, not only improves the accuracy of rank 1 ranking, is to model the image between the complex and high-level relations. Firstly, through the sorted list of initial base line method, then the application of a new optimization method to classify the sort results. The algorithm calculates the position of each image in the list and automatically find relevant information. In order to find relationship between samples, this paper use hypergraph reordering learning using hypergraph weight technology learning soft assignment. The advantages of this method are as follows: 1) to reduce the artificial rely on, and improve the automation performance of vision system; 2) reduce the initial sorted list reduces the computational cost, so the final; 3) has high robustness to noise and the estimation result is higher The correlation between.3) for a single feature recognition system based on pedestrian discrimination problems, this study proposes a reranking framework based on multi feature fusion. At present, most of the traditional methods using independent mode extraction of long feature vector to describe the image. This paper proposes multi feature extraction from the samples, and mixed vector generation in order to construct the feature vector, to measure the similarity between image pairs using the Manhattan distance. Feature vector and distance measurement based on the proposed reordering algorithm based on tree. Therefore, through the combination of different types of features, get the ranking results better. In addition, another advantage of this method is the effective management of.4 memory) the proposed algorithm reduces the computational cost, can effectively express high-level relations between samples, will be integrated into the weight sorting of multi feature fusion The reordering process, better performance, improved pedestrian recognition and re ranking results. CUHK in more challenging VIPeR, GRID, ETHZ and other public data sets were extended experiments, using the cumulative matching characteristics of the CMC curve to evaluate the performance of the algorithm. The results show that the proposed method is superior to the existing weight sorting algorithm in this paper, and the optimization and prioritization method can be combined with the baseline method to obtain a robust and accurate reranking results.5) sequence pedestrian recognition is the research hotspot at present, this paper introduces the post ranking optimization (POP) design and performance assessment details method, a detailed analysis of the sorting algorithm after all, the baseline method selection mechanism and the benchmark data set. In addition, this paper discusses the future research direction of the design and evaluation of the POP method.

【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 初紅霞;王科俊;王希鳳;郭慶昌;韓晶;;多特征融合的退火粒子濾波目標(biāo)跟蹤[J];計(jì)算機(jī)工程與應(yīng)用;2011年06期

2 顧鑫;王海濤;汪凌峰;王穎;陳如冰;潘春洪;;基于不確定性度量的多特征融合跟蹤[J];自動(dòng)化學(xué)報(bào);2011年05期

3 姚紅革;杜亞勤;;基于多模式多特征融合粒子濾波視頻目標(biāo)跟蹤[J];西安工業(yè)大學(xué)學(xué)報(bào);2012年11期

4 王蘭;;基于多特征融合的票據(jù)分類技術(shù)及應(yīng)用[J];計(jì)算機(jī)光盤軟件與應(yīng)用;2013年13期

5 陳增照;何秀玲;楊揚(yáng);董才林;;基于多特征融合的票據(jù)分類技術(shù)及應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2006年09期

6 周斌;林喜榮;賈惠波;宋榕;;多特征融合的手背血管識(shí)別算法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年02期

7 劉貴喜;范春宇;高恩克;;基于粒子濾波與多特征融合的視頻目標(biāo)跟蹤[J];光電子.激光;2007年09期

8 胡全;邱兆文;王霓虹;;基于多特征融合的圖像語(yǔ)義標(biāo)注[J];東北林業(yè)大學(xué)學(xué)報(bào);2008年10期

9 周靜;黃心漢;彭剛;;基于多特征融合的飛機(jī)目標(biāo)識(shí)別[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

10 沈才梁;許雪貴;許方恒;龍丹;;多特征融合的人臉檢測(cè)[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2009年11期

相關(guān)會(huì)議論文 前3條

1 葉鋒;蔡光東;鄭子華;亓?xí)孕?尹鵬;;基于多特征融合的藥用植物標(biāo)本識(shí)別[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

2 段其昌;季長(zhǎng)有;;基于多特征融合的快速人臉檢測(cè)[A];第十七屆全國(guó)測(cè)控計(jì)量?jī)x器儀表學(xué)術(shù)年會(huì)（MCMI'2007）論文集（上冊(cè)）[C];2007年

3 李玉峰;鄭德權(quán);趙鐵軍;;基于SVM和多特征融合的圖像分類[A];第四屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

相關(guān)博士學(xué)位論文 前6條

1 劉明華;復(fù)雜環(huán)境下基于多特征融合的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];青島科技大學(xué);2016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(shí)別中的應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

3 田綱;基于多特征融合的Mean shift目標(biāo)跟蹤技術(shù)研究[D];武漢大學(xué);2011年

4 徐志剛;基于多特征融合的路面破損圖像自動(dòng)識(shí)別技術(shù)研究[D];長(zhǎng)安大學(xué);2012年

5 陳秀新;多特征融合視頻復(fù)制檢測(cè)關(guān)鍵技術(shù)研究[D];北京工業(yè)大學(xué);2013年

6 初紅霞;基于均值移動(dòng)和粒子濾波的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 張巖;基于多特征融合及二部圖匹配的3D目標(biāo)檢索技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

2 計(jì)明明;基于多特征融合的三維模型檢索技術(shù)[D];浙江大學(xué);2015年

3 王慶;基于多特征融合的人體動(dòng)作識(shí)別方法研究[D];上海大學(xué);2015年

4 劉婕;復(fù)雜場(chǎng)景多特征融合粒子濾波目標(biāo)跟蹤[D];重慶理工大學(xué);2015年

5 崔劍;基于多特征融合的分級(jí)行人檢測(cè)方法研究[D];電子科技大學(xué);2015年

6 王珊珊;基于極化SAR非監(jiān)督分類的油膜厚度估算方法研究[D];大連海事大學(xué);2015年

7 肖冠;基于多特征融合的異類傳感器中段目標(biāo)關(guān)聯(lián)算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

8 王建榮;基于多特征融合的無(wú)人機(jī)航拍圖像識(shí)別研究[D];成都理工大學(xué);2015年

9 高爽;基于多特征融合的粒子濾波跟蹤算法研究[D];西安電子科技大學(xué);2014年

10 坎啟嬌;基于多特征融合的多目標(biāo)跟蹤算法[D];河北工業(yè)大學(xué);2015年

，

本文編號(hào)：1459882