行人目標跟蹤作為一項重要的基礎(chǔ)性技術(shù),在現(xiàn)實生活中的很多領(lǐng)域都有著非常重要的應(yīng)用價值和應(yīng)用前景。在目前所建設(shè)的平安城市的安防視頻監(jiān)控系統(tǒng)中,行人目標的跟蹤是實現(xiàn)行為分析等智能分析的關(guān)鍵。然而,在實際應(yīng)用場景中,因環(huán)境的復雜性,導致了行人目標跟蹤準確率的保證非常困難,其中最突出的問題,就是在跟蹤過程中,因行人被遮擋,導致的行人外觀特征發(fā)生變化而導致跟蹤失敗。針對行人目標跟蹤系統(tǒng)中,由于行人遮擋導致行人識別效果差的問題,本文展開了研究,通過深度學習生成對抗網(wǎng)絡(luò),構(gòu)建行人去遮擋預(yù)估模型。在分析了生成對抗網(wǎng)絡(luò)對行人去遮擋的局限性的基礎(chǔ)上,本文提出了一種利用雙輸入生成式對抗網(wǎng)絡(luò)修復受遮擋行人的方法,首先,提取受遮擋行人的姿態(tài),結(jié)合其外觀,構(gòu)建姿態(tài)與外觀單獨編碼生成器,將生成器信息融合后,訓練判別器,構(gòu)建行人去遮擋網(wǎng)絡(luò)模型。此外,在模型中引入注意力機制,提升網(wǎng)絡(luò)對環(huán)境的抗干擾性,由此獲得更好的去遮擋效果,提高行人再識別的準確性。為了進一步提升去遮擋模型的效果,本論文還提出了利用骨骼預(yù)測模型優(yōu)化去遮擋模型的方案。首先,預(yù)測受遮擋的行人的骨骼信息,構(gòu)建骨骼模型;其次,將圖像與預(yù)測出的骨骼模型分別輸入各... 

【文章來源】：西安理工大學陜西省

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【部分圖文】：

手動分塊提取行人特征

圖 1-1 所示其將行人圖像分為若干等份按照順序送到一融合了所有圖像塊的局部特征。圖 1-1 手動分塊提取行人特征Fig.1-1 Manually segmentation of person features基于手動分切塊提取局部特征的算法雖然在一定程度上是這類方法對圖像對齊的要求較高。若匹配圖像沒有對齊不一致導致模型識別錯誤。

1 緒論 等人提出的工作 Spindle Net[19]也使用預(yù)訓練好的姿態(tài)估計模型來提ng 等人的工作的差異之處在于 Spindle Net 是直接利用提取到的關(guān)鍵(Regionofinterest,ROI)。SpindleNet 網(wǎng)絡(luò)如圖 1-3 所示，首先利用姿標的關(guān)鍵點，然后，通過提取得到的關(guān)鍵點確定目標的 7 個感興趣區(qū)中的 FEN-C1、FEN-C2、FEN-C3 幾個部分中的 CNN（圖 1-3 中橙色的。


本文編號：3285179