發(fā)布時(shí)間：2022-10-08 14:57

　　行人重識(shí)別旨在對(duì)目標(biāo)行人進(jìn)行跨相機(jī)檢索。隨著視頻監(jiān)控網(wǎng)絡(luò)的日益龐大,該項(xiàng)技術(shù)越來(lái)越受到學(xué)者們的關(guān)注。目前,行人重識(shí)別主要包含三個(gè)關(guān)鍵問(wèn)題:行人檢測(cè),從視頻流中提取高質(zhì)量的靜態(tài)行人圖像;特征表達(dá),從圖像中提取具有跨相機(jī)不變性的特征向量;度量學(xué)習(xí),評(píng)估特征向量之間的相似度。本文從上述關(guān)鍵問(wèn)題入手,對(duì)行人重識(shí)別展開了研究。在行人檢測(cè)問(wèn)題上,針對(duì)經(jīng)典的HOG+SVM算法無(wú)法兼顧檢測(cè)速度與質(zhì)量、存在冗余行人目標(biāo)的缺點(diǎn),研究并實(shí)現(xiàn)了一種聯(lián)合運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)分類以及目標(biāo)跟蹤的行人檢測(cè)與跟蹤算法,滿足了重識(shí)別場(chǎng)景下的行人檢測(cè)需求。在特征表達(dá)問(wèn)題上,針對(duì)LOMO特征對(duì)背景噪聲魯棒性較差、維度較高的缺點(diǎn),提出了一種結(jié)合行人輪廓信息與維度優(yōu)化的改進(jìn)算法,得到了較原LOMO特征維度更低、區(qū)分度更高的改進(jìn)LOMO特征;研究了基于深度學(xué)習(xí)的特征表達(dá)算法,針對(duì)如何有效利用改進(jìn)LOMO特征和CNN特征的互補(bǔ)特性,提出了特征融合網(wǎng)絡(luò),使得改進(jìn)LOMO特征不僅能和CNN特征進(jìn)行自適應(yīng)融合,還能反向優(yōu)化CNN特征的表達(dá)能力,得到了區(qū)分度更高的融合特征。在度量學(xué)習(xí)問(wèn)題上,研究了行人重識(shí)別領(lǐng)域常見的度量學(xué)習(xí)算法,評(píng)估了其與融... 

【文章頁(yè)數(shù)】：95 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景與意義
    1.2 國(guó)內(nèi)外研究概況
    1.3 論文主要工作與章節(jié)安排
2 行人檢測(cè)與跟蹤
    2.1 運(yùn)動(dòng)目標(biāo)檢測(cè)
        2.1.1 運(yùn)動(dòng)目標(biāo)檢測(cè)的常用思路
        2.1.2 常見的背景差分算法
        2.1.3 背景差分算法的性能評(píng)估
    2.2 目標(biāo)分類
        2.2.1 HOG特征
        2.2.2 SVM分類器
        2.2.3 分類器訓(xùn)練
    2.3 行人跟蹤
        2.3.1 目標(biāo)跟蹤的常用思路
        2.3.2 基于Camshift的行人跟蹤
    2.4 實(shí)驗(yàn)結(jié)果與分析
        2.4.1 運(yùn)動(dòng)目標(biāo)檢測(cè)
        2.4.2 目標(biāo)分類
        2.4.3 行人跟蹤
    2.5 本章小結(jié)
3 特征表達(dá)
    3.1 LOMO特征
        3.1.1 處理光照變化
        3.1.2 提取顏色和紋理特征
        3.1.3 處理視角變化
    3.2 改進(jìn)LOMO特征
        3.2.1 改善抗噪性能
        3.2.2 降低特征維度
    3.3 CNN特征
        3.3.1 卷積神經(jīng)網(wǎng)絡(luò)介紹
        3.3.2 網(wǎng)絡(luò)設(shè)計(jì)
    3.4 特征融合網(wǎng)絡(luò)
        3.4.1 網(wǎng)絡(luò)架構(gòu)
        3.4.2 緩沖層和融合層的設(shè)計(jì)
        3.4.3 網(wǎng)絡(luò)參數(shù)的更新機(jī)制
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 數(shù)據(jù)集介紹
        3.5.2 網(wǎng)絡(luò)訓(xùn)練
        3.5.3 實(shí)驗(yàn)策略
        3.5.4 結(jié)果及分析
    3.6 本章小結(jié)
4 度量學(xué)習(xí)
    4.1 度量學(xué)習(xí)的基本思路
    4.2 常用的度量學(xué)習(xí)算法
        4.2.1 線性判別分析
        4.2.2 局部Fisher判別分析
        4.2.3 邊緣Fisher判別分析
    4.3 核技巧在度量學(xué)習(xí)中的應(yīng)用
    4.4 基于XQDA的度量學(xué)習(xí)
        4.4.1 KISSME算法
        4.4.2 XQDA在 KISSME上的擴(kuò)展
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 實(shí)驗(yàn)策略
        4.5.2 匹配實(shí)驗(yàn)結(jié)果
        4.5.3 橫向比較
    4.6 本章小結(jié)
5 行人重識(shí)別軟件設(shè)計(jì)與實(shí)現(xiàn)
    5.1 軟件架構(gòu)
        5.1.1 架構(gòu)設(shè)計(jì)
        5.1.2 開發(fā)工具及運(yùn)行環(huán)境
    5.2 主應(yīng)用服務(wù)器
        5.2.1 監(jiān)控回放模塊
        5.2.2 行人重識(shí)別模塊
        5.2.3 行人信息數(shù)據(jù)庫(kù)
    5.3 視頻預(yù)處理集群
        5.3.1 任務(wù)分發(fā)模塊
        5.3.2 視頻預(yù)處理模塊
    5.4 系統(tǒng)測(cè)試
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)SSD的行人檢測(cè)方法[J]. 邢浩強(qiáng),杜志岐,蘇波.  計(jì)算機(jī)工程. 2018(11)
[2]行人再識(shí)別技術(shù)綜述[J]. 李幼蛟,卓力,張菁,李嘉鋒,張輝.  自動(dòng)化學(xué)報(bào). 2018(09)
[3]激活函數(shù)在卷積神經(jīng)網(wǎng)絡(luò)中的對(duì)比研究[J]. 田娟,李英祥,李彤巖.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(07)
[4]行人重識(shí)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(xué)報(bào). 2017(06)
[5]利用人體部位特征重要性進(jìn)行行人再識(shí)別[J]. 章登義,王騫,朱波,武小平,曹瑀,蔡波.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2017(01)
[6]神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計(jì)算機(jī)學(xué)報(bào). 2016(08)
[7]基于改進(jìn)的高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 范文超,李曉宇,魏凱,陳興林.  計(jì)算機(jī)科學(xué). 2015(05)
[8]基于SIFT特征匹配的CamShift運(yùn)動(dòng)目標(biāo)跟蹤算法[J]. 馬正華,顧蘇杭,戎海龍.  計(jì)算機(jī)科學(xué). 2014(06)
[9]基于邊界判別投影的數(shù)據(jù)降維[J]. 何進(jìn)榮,丁立新,李照奎,胡慶輝.  軟件學(xué)報(bào). 2014(04)
[10]EVibe:一種改進(jìn)的Vibe運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 余燁,曹明偉,岳峰.  儀器儀表學(xué)報(bào). 2014(04)

博士論文
[1]智能監(jiān)控系統(tǒng)中行人重識(shí)別方法研究[D]. 劉曉凱.大連理工大學(xué) 2017
[2]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

碩士論文
[1]基于改進(jìn)GMM和SVM的行人檢測(cè)技術(shù)研究[D]. 王明杰.天津大學(xué) 2017
[2]基于多攝像機(jī)關(guān)聯(lián)的行人檢索系統(tǒng)[D]. 疏坤.合肥工業(yè)大學(xué) 2016



本文編號(hào)：3687918