行人再識別技術已經(jīng)被應用在機場、高鐵站、校園、商場以及小區(qū)等關鍵區(qū)域的監(jiān)控系統(tǒng)中,與人臉識別嚴苛的約束相比,基于行人外觀的再識別在特征獲取和特征表達方面具有更加豐富和便捷的優(yōu)勢。然而,由于行人的非剛性特征,基于外觀特征的行人再識別研究在準確性方面與用戶的實際需求相差較大,相關研究工作面臨著嚴峻的挑戰(zhàn)。高可辨的行人外觀特征反映了視頻序列中行人圖像集合的類間和類內(nèi)差異度,是提高行人再識別準確性的重要基礎。在眾多行人外觀特征表示方法中,顯著區(qū)域特征可以有效增強類間特征差異度,同時降低類內(nèi)特征差異度。此外,研究與應用場景相適應的特征相似度度量方法也是提高行人再識別準確性的關鍵。本文首先針對靜態(tài)查詢行人圖像與未分類行人視頻圖像集合場景,設計了一種基于靜態(tài)行人圖像顯著區(qū)域特征博弈匹配的行人再識別算法。其次,針對行人視頻的再識別應用場景,設計了兩種適用于行人視頻圖像集合的行人再識別算法:基于顯著區(qū)域特征聚類的行人圖像到視頻再識別算法和基于顯著區(qū)域特征的行人視頻匹配算法。通過仿真實驗驗證,上述三類算法均可有效提高對應應用場景中行人再識別的準確度。本文的主要工作如下:1.基于靜態(tài)行人圖像顯著區(qū)域特征博弈... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：126 頁

【學位級別】：博士

【部分圖文】：

基于人工特征選擇方法的行人再識別流程

南京郵電大學博士研究生學位論文第一章緒論9本文所提取的行人圖像顯著區(qū)域既包含了行人的顯著特征，又保留了包含在顯著特征中間的細微特征。當候選圖像集合中行人特征差異較大時，顯著區(qū)域中的顯著特征起主導作用，可以快速的辨別同類行人；而當候選圖像集合中存在顯著特征相似的非同類行人時，顯著特征的辨別能力則會明顯下降，此時包含在顯著特征之間的細微特征則會成為提高再識別性能的主導因素。在行人顯著區(qū)域特征距離度量方面，本文分別采用了無監(jiān)督的距離度量和監(jiān)督距離度量學習兩種方法，分別實現(xiàn)了適用于未分類候選行人視頻圖像集場景的基于顯著區(qū)域特征博弈匹配的行人再識別算法、適用于行人視頻圖像序列的基于顯著區(qū)域特征聚類的行人再識別算法和基于顯著區(qū)域特征的行人視頻匹配算法。無監(jiān)督特征距離度量直接將從行人圖像中提取的特征向量用于距離計算，特征向量間的相似程度則由特征間的距離來表示，距離越小則說明兩張行人圖像相似度越高。通過實驗結果分析和比較，無監(jiān)督的距離度量方法由于無法對類內(nèi)和類間特征進行區(qū)別化處理，因此在特征相似度度量方面沒有監(jiān)督距離學習方法更有優(yōu)勢。因此，本文所設計的再識別方法均采用監(jiān)督學習的距離度量方法，且經(jīng)過在公開行人再識別數(shù)據(jù)集上實驗，與現(xiàn)有典型相關行人再識別算法比較，再識別精確度均有明顯的提高。本文主要工作的組織結構如圖1.5所示。圖1.5本文主要研究工作的組織結構圖本文的具體工作如下：（1）基于靜態(tài)行人圖像顯著區(qū)域特征博弈匹配的行人再識別算法現(xiàn)有基于顯著特征的行人再識別算法主要依靠提取行人圖像的全局顯著特征進行相似度計算，該類算法所提取的顯著特征可分散在行人圖像的任何區(qū)域，特征聚集性較差。因此，

南京郵電大學博士研究生學位論文第二章行人再識別技術相關研究14首先粗圖2.1基于人工特征選擇的行人再識別算法流程略估計行人服飾模型，并在再識別過程中不斷細化。通過這種逐步提娶組合和比較特征的方法可以有效加快再識別的整體速度。與量化顏色直方圖類似，在文獻[51]中作者選擇顏色名稱的概率分布作為映射方法，將圖像的RGB值映射到顏色名稱，提出了一種基于顏色描述器的顯著顏色命名方法表示行人全局特征。與文獻[51]相似，Kim等人[52]首先利用顏色描述器獲取行人圖像每個分塊的顏色單詞組�；谔崛〉念伾珕卧~組，整個行人圖像中全體分塊中的顏色單詞被分配到不同的組中，最后基于每個分塊的顏色單詞得到行人圖像全局顏色詞直方圖。Farenzena等人[29]利用加權顏色直方圖、最大穩(wěn)定顏色區(qū)域和高頻強結構分塊三種類型特征對行人外觀進行特征建模，該模型對低分辨率、遮擋、姿態(tài)變化等具有一定的魯棒性，但是計算復雜度較高。相對于行人全局特征，局部特征具有更高的可辨性。文獻[49]通過RGB、YCbCr和HSV顏色空間的8種顏色通道和19種紋理特征通道學習，提出了一個基于局部特征組合的行人特征表示方法。Lei等人[53]首先提取行人的軀干區(qū)域、分塊區(qū)域和全局區(qū)域的顏色和紋理特征，然后通過PCA對特征進行降維，從而構造行人語義區(qū)域特征。最后作者基于行人圖像間語義區(qū)域映射空間拓撲約束的距離度量學習方法完成行人再識別。文獻[54]設計了一種無監(jiān)督自下而上動態(tài)特征重要性挖掘方法，可以提取不同個體自適應加權的顯著和固有外觀屬性，并利用這些屬性集合對再識別行人圖像進行無監(jiān)督自下而上的特征重要性挖掘。Morago等人[16]首先利用上下文信息擴展基于尺度不變特征變換的局部特征用于組成特征集合，然后利用Harris-Laplacian檢測角點特征并定

【參考文獻】：
期刊論文
[1]Hierarchical Visual Attention Model for Saliency Detection Inspired by Avian Visual Pathways[J]. Xiaohua Wang,Haibin Duan.  IEEE/CAA Journal of Automatica Sinica. 2019(02)
[2]基于超像素的Graph-Based圖像分割算法[J]. 賈耕云,趙海英,劉菲朵,李學明.  北京郵電大學學報. 2018(03)
[3]基于仿射包的圖像集人臉識別的魯棒算法[J]. 寧尚軍,劉小華,蓋健.  東北師大學報(自然科學版). 2015(02)



本文編號：3280033