視頻監(jiān)控是智慧城市至關(guān)重要的組成部分,而行人再識別作為視頻監(jiān)控的重要內(nèi)容已逐漸引起了國內(nèi)外學(xué)者們的廣泛關(guān)注。隨著近幾年的發(fā)展,較深的網(wǎng)絡(luò)架構(gòu),較小的卷積核和卷積步長已被證明是提高深度學(xué)習(xí)性能的有效方法。而最大池化、平均池化、均方根池化在壓縮特征尺寸大小的同時(shí)能提高圖像對旋轉(zhuǎn)、尺度、平移等變化的魯棒性。因此,本文以改進(jìn)型嵌套池化三元組卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),研究不同嵌套池化方法對非理想自然條件下行人再識別的影響。本文的主要研究內(nèi)容如下:1、分析研究了行人再識別以及深度學(xué)習(xí)的國內(nèi)外發(fā)展現(xiàn)狀,并總結(jié)了目前行人再識別方法面臨的挑戰(zhàn)以及存在的不足。2、針對傳統(tǒng)行人再識別特征魯棒性不強(qiáng)以及難以正確計(jì)算局部距離的問題,提出了改進(jìn)型嵌套池化三元組卷積神經(jīng)網(wǎng)絡(luò)。首先在Resnet50的卷積層后添加嵌套池化層提取全局特征,同時(shí)在卷積層后提取水平方向的7個(gè)局部特征。然后利用自動動態(tài)對齊方法計(jì)算局部距離,并利用改進(jìn)型三元組損失函數(shù)同時(shí)訓(xùn)練全局特征和局部特征的權(quán)重,最后利用置信度測量機(jī)制進(jìn)一步避免僅利用直接度量而存在的誤匹配。3、在Market-1 501、CUHK03和VIPeR數(shù)據(jù)集上對改進(jìn)型嵌套池化三元組卷積... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
    1.2 行人再識別難點(diǎn)分析
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 行人再識別研究現(xiàn)狀
        1.3.2 深度學(xué)習(xí)研究現(xiàn)狀
    1.4 主要研究內(nèi)容
    1.5 組織結(jié)構(gòu)
2 卷積神經(jīng)網(wǎng)絡(luò)相關(guān)理論
    2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 全連接層
    2.2 激活函數(shù)
    2.3 正則化方法
    2.4 訓(xùn)練過程
        2.4.1 反向傳播算法
        2.4.2 梯度下降算法
    2.5 本章小結(jié)
3 嵌套池化三元組卷積神經(jīng)網(wǎng)絡(luò)的行人再識別
    3.1 網(wǎng)絡(luò)模型
        3.1.1 殘差網(wǎng)絡(luò)
        3.1.2 全局特征提取過程
        3.1.3 局部特征提取及相似性距離計(jì)算
    3.2 三元組損失函數(shù)
        3.2.1 三元組損失函數(shù)的提出過程
        3.2.2 難樣本挖掘策略
        3.2.3 改進(jìn)的三元組損失函數(shù)
    3.3 間接度量
        3.3.1 K相互最近鄰重排
        3.3.2 置信度測量機(jī)制
    3.4 評價(jià)指標(biāo)
    3.5 本章小結(jié)
4 實(shí)驗(yàn)及結(jié)果分析
    4.1 實(shí)驗(yàn)數(shù)據(jù)集
    4.2 實(shí)驗(yàn)環(huán)境
    4.3 模型性能分析
        4.3.1 不同非理想自然條件下的檢測效果
        4.3.2 不同模型的檢測性能對比
    4.4 池化方法的性能分析
        4.4.1 不同池化方法對旋轉(zhuǎn)、尺度變化的魯棒性分析
        4.4.2 不同嵌套池化順序的影響分析
        4.4.3 置信度測量機(jī)制的影響分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間主要研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于新型三元卷積神經(jīng)網(wǎng)絡(luò)的行人再辨識算法[J]. 朱建清,曾煥強(qiáng),杜永兆,雷震,鄭力新,蔡燦輝.  電子與信息學(xué)報(bào). 2018(04)
[2]融合直接度量和間接度量的行人再識別[J]. 蔣檜慧,張榮,李小寶,郭立君.  模式識別與人工智能. 2018(02)
[3]行人再識別技術(shù)及其應(yīng)用[J]. 羅鴻斌.  電腦知識與技術(shù). 2017(36)
[4]行人重識別研究綜述[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]行人再識別研究進(jìn)展綜述[J]. 張建明,羊立,成科揚(yáng).  信息技術(shù). 2017(10)
[6]基于自適應(yīng)顯著特征選擇的動態(tài)加權(quán)平均行人識別模型[J]. 楊超,蔡曉東,甘凱今,王麗娟.  計(jì)算機(jī)工程與科學(xué). 2017(05)
[7]基于姿態(tài)對齊的行人重識別方法（英文）[J]. 王金,劉潔,高常鑫,桑農(nóng).  控制理論與應(yīng)用. 2017(06)
[8]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強(qiáng),徐偉.  計(jì)算機(jī)研究與發(fā)展. 2013(09)
[9]AdaBoost算法研究進(jìn)展與展望[J]. 曹瑩,苗啟廣,劉家辰,高琳.  自動化學(xué)報(bào). 2013(06)

博士論文
[1]面向監(jiān)控視頻的行人重識別技術(shù)研究[D]. 王亦民.武漢大學(xué) 2014



本文編號：3151676