發(fā)布時(shí)間：2021-08-28 11:36

　　隨著社會(huì)安全意識(shí)的提升和多媒體技術(shù)的發(fā)展,監(jiān)控設(shè)備被廣泛布設(shè)于人們的生產(chǎn)生活中。但是僅依靠人力分析大量的視頻數(shù)據(jù)無(wú)法達(dá)到高精度、實(shí)時(shí)性的安全保障。所以為監(jiān)控視頻設(shè)計(jì)智能分析算法具有非常重要的研究意義。本文著重研究監(jiān)控視頻智能化的行人檢測(cè)方法和行人重識(shí)別方法,基于卷積神經(jīng)網(wǎng)絡(luò),提出端到端的行人檢索融合模型。對(duì)于行人重識(shí)別問(wèn)題,身份特征和與身份無(wú)關(guān)的特征高度耦合,導(dǎo)致模型在訓(xùn)練過(guò)程中被無(wú)關(guān)信息干擾,影響識(shí)別準(zhǔn)確率。本文提出行人語(yǔ)義特征模型,并在深度特征圖上使用施密特正交化特征分解技術(shù),將身份特征與身份無(wú)關(guān)特征分離,對(duì)解耦合的身份特征分別使用表征學(xué)習(xí)策略和度量學(xué)習(xí)策略訓(xùn)練。實(shí)驗(yàn)證明在深度網(wǎng)絡(luò)中的特征分離有效地提高了行人重識(shí)別模型的識(shí)別準(zhǔn)確率。為實(shí)現(xiàn)端到端的行人檢索模型,本文令YOLO-v3目標(biāo)檢測(cè)模型與改進(jìn)的行人重識(shí)別模型共享特征提取網(wǎng)絡(luò)。共享的特征提取網(wǎng)絡(luò)會(huì)導(dǎo)致檢測(cè)模型和重識(shí)別模型互相干擾,影響檢測(cè)和識(shí)別的準(zhǔn)確率。本文將深度語(yǔ)義特征模型引入共享特征提取網(wǎng)絡(luò),設(shè)計(jì)任務(wù)分離層。實(shí)驗(yàn)證明,任務(wù)分離層有效地分離了行人的共性特征和個(gè)性特征,解決了互相干擾的矛盾。 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．２本文研究流程??Ｆｉｇ．?１．２?Ｒｅｓｅａｒｃｈ?Ｐｒｏｃｅｓｓ??

?大連海事大學(xué)專業(yè)學(xué)位碩士學(xué)位論文???２特征提取網(wǎng)絡(luò)??目前主流的目標(biāo)檢測(cè)模型和行人重識(shí)別模型都基于卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)的??主要功能是提取輸入圖像的深度語(yǔ)義特征，不同的視覺任務(wù)模型釆用不同的方法處理該??深度語(yǔ)義特征。本文將目標(biāo)檢測(cè)和行人重識(shí)別中使用的神經(jīng)網(wǎng)絡(luò)統(tǒng)一看作特征提取網(wǎng)??絡(luò)，將深度語(yǔ)義特征的提取作為圖像的預(yù)處理來(lái)研究。??２．１輸入圖像預(yù)處理??卷積神經(jīng)網(wǎng)絡(luò)可以一次性處理多個(gè)輸入圖像，通常稱網(wǎng)絡(luò)的輸入為批數(shù)據(jù)??（ｍｉｎｉｂａｔｃｈ）。批數(shù)據(jù)是經(jīng)過(guò)預(yù)處理后的四維張瑣，大小形式為（ＴＶ?ｘ?Ｃ?ｘ?／／?ｘ?ＩＶ）。??其中ｉＶ表示網(wǎng)絡(luò)一次處理ｉＶ張圖像；Ｃ表示輸入圖像的通道數(shù)，通常輸入圖像是ＲＧＢ??格式的彩色圖像，所以Ｃ?＝?３；?／／和分別代表輸入圖像的高和寬。??為了實(shí)現(xiàn)成批次地處理，通常對(duì)ｉＶ張輸入圖像進(jìn)行如下的預(yù)處理：??⑴隨機(jī)裁剪（ｒａｎｄｏｍ?ｃｒｏｐ）??ｉ＝ｉｉｉ??圖２．１隨機(jī)裁剪示意圖??Ｆｉｇ．?２．１?Ｒａｎｄｏｍ?Ｃｒｏｐ??如圖２．１，按一定的概率隨機(jī)從原始圖像中截取一張子圖作為網(wǎng)絡(luò)的輸入圖片。隨機(jī)??截取使輸入圖像僅保留原始圖像的局部區(qū)域，在模型的訓(xùn)練過(guò)程中，弱化數(shù)據(jù)的噪聲，??豐富訓(xùn)練數(shù)據(jù)的數(shù)ｆｉ，防止過(guò)擬合現(xiàn)象的發(fā)生，增加了模型的穩(wěn)定性。??ｎ??圖２．２隨機(jī)水平翻轉(zhuǎn)示意圖??Ｆｉｇ．?２．２?Ｒａｎｄｏｍ?Ｈｏｒｉｚｏｎｔａｌ?Ｆｌｉｐ??－７?－??

?大連海事大學(xué)專業(yè)學(xué)位碩士學(xué)位論文???２特征提取網(wǎng)絡(luò)??目前主流的目標(biāo)檢測(cè)模型和行人重識(shí)別模型都基于卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)的??主要功能是提取輸入圖像的深度語(yǔ)義特征，不同的視覺任務(wù)模型釆用不同的方法處理該??深度語(yǔ)義特征。本文將目標(biāo)檢測(cè)和行人重識(shí)別中使用的神經(jīng)網(wǎng)絡(luò)統(tǒng)一看作特征提取網(wǎng)??絡(luò)，將深度語(yǔ)義特征的提取作為圖像的預(yù)處理來(lái)研究。??２．１輸入圖像預(yù)處理??卷積神經(jīng)網(wǎng)絡(luò)可以一次性處理多個(gè)輸入圖像，通常稱網(wǎng)絡(luò)的輸入為批數(shù)據(jù)??（ｍｉｎｉｂａｔｃｈ）。批數(shù)據(jù)是經(jīng)過(guò)預(yù)處理后的四維張瑣，大小形式為（ＴＶ?ｘ?Ｃ?ｘ?／／?ｘ?ＩＶ）。??其中ｉＶ表示網(wǎng)絡(luò)一次處理ｉＶ張圖像；Ｃ表示輸入圖像的通道數(shù)，通常輸入圖像是ＲＧＢ??格式的彩色圖像，所以Ｃ?＝?３；?／／和分別代表輸入圖像的高和寬。??為了實(shí)現(xiàn)成批次地處理，通常對(duì)ｉＶ張輸入圖像進(jìn)行如下的預(yù)處理：??⑴隨機(jī)裁剪（ｒａｎｄｏｍ?ｃｒｏｐ）??ｉ＝ｉｉｉ??圖２．１隨機(jī)裁剪示意圖??Ｆｉｇ．?２．１?Ｒａｎｄｏｍ?Ｃｒｏｐ??如圖２．１，按一定的概率隨機(jī)從原始圖像中截取一張子圖作為網(wǎng)絡(luò)的輸入圖片。隨機(jī)??截取使輸入圖像僅保留原始圖像的局部區(qū)域，在模型的訓(xùn)練過(guò)程中，弱化數(shù)據(jù)的噪聲，??豐富訓(xùn)練數(shù)據(jù)的數(shù)ｆｉ，防止過(guò)擬合現(xiàn)象的發(fā)生，增加了模型的穩(wěn)定性。??ｎ??圖２．２隨機(jī)水平翻轉(zhuǎn)示意圖??Ｆｉｇ．?２．２?Ｒａｎｄｏｍ?Ｈｏｒｉｚｏｎｔａｌ?Ｆｌｉｐ??－７?－??


本文編號(hào)：3368440