隨著計(jì)算機(jī)視覺和人工智能技術(shù)的快速發(fā)展,基于行人檢測(cè)與再識(shí)別的行人搜索算法成為目前研究的熱點(diǎn)。行人搜索可以視為行人再識(shí)別的延伸問(wèn)題,它涉及到行人檢測(cè)與行人再識(shí)別兩個(gè)過(guò)程。目前,多數(shù)行人再識(shí)別算法只適用于經(jīng)過(guò)人工裁剪后的圖片,無(wú)法直接應(yīng)用于真實(shí)場(chǎng)景;此外,在行人搜索過(guò)程中,行人檢測(cè)網(wǎng)絡(luò)得到結(jié)果的好壞,會(huì)對(duì)后續(xù)行人再識(shí)別造成較大影響;同時(shí),錯(cuò)檢、漏檢、行人定位框不夠精確等情況,都會(huì)大大降低后續(xù)行人再識(shí)別的精度。因此,如何將行人檢測(cè)與再識(shí)別有機(jī)結(jié)合,實(shí)現(xiàn)端到端的行人搜索是一個(gè)具有挑戰(zhàn)性的問(wèn)題。本文從已有的行人搜索算法入手,針對(duì)已有算法中遇到的困難和存在的不足,從行人邊框的選取、相似性距離函數(shù)的設(shè)計(jì)和中心損失函數(shù)的改進(jìn)等角度,對(duì)行人檢測(cè)與再識(shí)別有機(jī)結(jié)合進(jìn)行了探討。論文的主要工作和研究成果體現(xiàn)如下:1.針對(duì)現(xiàn)有的行人搜索算法在行人檢測(cè)過(guò)程中,行人定位框不夠精確,且在行人再識(shí)別時(shí),采用余弦距離來(lái)進(jìn)行相似度比較,無(wú)法全面衡量行人特征向量的相似性等不足。本文將行人檢測(cè)與再識(shí)別兩模塊融為一體,提出了一種基于改進(jìn)的Faster R-CNN的行人搜索算法。算法采用對(duì)邊框進(jìn)行迭代回歸的方法,改進(jìn)原Faster... 

【文章來(lái)源】：杭州電子科技大學(xué)浙江省

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.0 引言
    1.1 行人檢測(cè)與再識(shí)別的行人搜索技術(shù)的背景和意義
    1.2 行人檢測(cè)與再識(shí)別的行人搜索技術(shù)的研究現(xiàn)狀
    1.3 本文的主要內(nèi)容和結(jié)構(gòu)框架
    1.4 本章小結(jié)
第2章 行人搜索理論概述
    2.0 引言
    2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本原理
        2.1.1 人工神經(jīng)網(wǎng)絡(luò)
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
    2.2 Faster R-CNN的基本原理
    2.3 行人搜索算法
        2.3.1 結(jié)合行人群體共性與行人個(gè)體唯一性的行人搜索算法
        2.3.2 基于Faster R-CNN和在線實(shí)例匹配法的行人搜索算方法
        2.3.3 基于長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)和注意力機(jī)制的行人搜索算方法
    2.4 本章小結(jié)
第3章 Faster R-CNN行人檢測(cè)與再識(shí)別為一體的行人搜索算法
    3.0 引言
    3.1 算法原理及實(shí)現(xiàn)
        3.1.1 混合損失函數(shù)
        3.1.2 混合相似性距離函數(shù)
        3.1.3 迭代型邊框回歸網(wǎng)絡(luò)
        3.1.4 算法的實(shí)現(xiàn)步驟
    3.2 實(shí)驗(yàn)結(jié)果及分析
        3.2.1 邊框回歸迭代次數(shù)確定
        3.2.2 混合相似性函數(shù)系數(shù)的確定
        3.2.3 中心損失函數(shù)的權(quán)重參數(shù)的確定
        3.2.4 性能對(duì)比實(shí)驗(yàn)
        3.2.5 待搜索行人圖片數(shù)量對(duì)精度的影響
    3.3 本章小結(jié)
第4章 基于注意力機(jī)制的行人搜索算法
    4.0 引言
    4.1 算法原理及實(shí)現(xiàn)
        4.1.1 中心損失函數(shù)與邊緣損失函數(shù)
        4.1.2 注意力機(jī)制網(wǎng)絡(luò)
        4.1.3 算法的實(shí)現(xiàn)步驟
    4.2 實(shí)驗(yàn)結(jié)果及分析
        4.2.1 中心損失函數(shù)與邊緣損失函數(shù)權(quán)重的確定
        4.2.2 單獨(dú)訓(xùn)練與聯(lián)合訓(xùn)練行人檢測(cè)與再識(shí)別模塊對(duì)精度的影響
    4.3 本章小結(jié)
第5章 總結(jié)與展望
    5.0 總結(jié)
    5.1 展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)模型的行人檢測(cè)研究與仿真[J]. 曾敏,周益龍.  南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(06)
[2]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)



本文編號(hào)：3157608