行人重識(shí)別是一項(xiàng)跨攝像頭跨場(chǎng)景下搜尋與匹配目標(biāo)行人的技術(shù),該項(xiàng)技術(shù)在智能視頻監(jiān)控、智慧商業(yè)和智能安防等領(lǐng)域有著廣泛應(yīng)用,也是近些年計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重點(diǎn)研究課題。但由于在自然場(chǎng)景下受到視角改變、行人遮擋、行人姿態(tài)改變等因素的影響,行人重識(shí)別面臨著重大的挑戰(zhàn),如何提取更有辨別力的特征進(jìn)行行人匹配仍是當(dāng)前行人重識(shí)別研究需要重點(diǎn)關(guān)注的問題。本文基于深度學(xué)習(xí)方法針對(duì)行人重識(shí)別模型特征表示能力的提升進(jìn)行研究,論文的主要研究工作如下:（1）針對(duì)當(dāng)前的基于卷積神經(jīng)網(wǎng)絡(luò)的行人重識(shí)別方法對(duì)于遮擋和復(fù)雜背景引起的判別信息缺失問題,提出了一種基于多尺度卷積特征融合的行人重識(shí)別算法。在訓(xùn)練階段,使用金字塔池化方法對(duì)卷積特征圖進(jìn)行分塊和池化,獲得包含全局特征和多尺度局部特征的多個(gè)特征向量;對(duì)每一個(gè)特征向量進(jìn)行獨(dú)立分類,并在各個(gè)分類的最后內(nèi)積層上歸一化權(quán)重和特征,以提升分類性能;最后使用梯度下降法優(yōu)化全部的分類損失。在識(shí)別階段,將池化后的多個(gè)特征向量融合成一個(gè)新向量,使用新向量在庫中進(jìn)行相似性匹配。最后在Market1501和DukeMTMC-re ID兩個(gè)數(shù)據(jù)集上對(duì)所提算法的有效性進(jìn)行實(shí)驗(yàn)驗(yàn)證,結(jié)果表明所提算... 

【文章來源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：55 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 行人重識(shí)別研究現(xiàn)狀
        1.2.1 基于手工特征的行人重識(shí)別
        1.2.2 基于深度學(xué)習(xí)的行人重識(shí)別
    1.3 行人重識(shí)別研究難點(diǎn)
    1.4 本文的研究?jī)?nèi)容
    1.5 本文結(jié)構(gòu)
第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的行人重識(shí)別相關(guān)理論
    2.1 引言
    2.2 行人重識(shí)別流程
    2.3 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
        2.3.1 卷積層
        2.3.2 池化層
        2.3.3 全連接層
        2.3.4 激活函數(shù)
        2.3.5 批量歸一化層
    2.4 深度殘差網(wǎng)絡(luò)
    2.5 常用的數(shù)據(jù)集及評(píng)估指標(biāo)
        2.5.1 行人重識(shí)別數(shù)據(jù)集
        2.5.2 行人重識(shí)別評(píng)估指標(biāo)
    2.6 本章小結(jié)
第三章 基于多尺度特征融合的行人重識(shí)別
    3.1 引言
    3.2 基于多尺度特征融合的行人重識(shí)別
        3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 金字塔池化的多尺度特征
        3.2.3 L2歸一化層
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)設(shè)置
        3.3.2 實(shí)驗(yàn)結(jié)果分析
        3.3.3 實(shí)驗(yàn)結(jié)果比較
    3.4 本章小結(jié)
第四章 基于多任務(wù)金字塔重疊匹配的行人重識(shí)別
    4.1 引言
    4.2 基于多任務(wù)金字塔重疊匹配的行人重識(shí)別
        4.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 金字塔重疊匹配網(wǎng)絡(luò)
        4.2.3 多任務(wù)學(xué)習(xí)
    4.3 實(shí)驗(yàn)與結(jié)果分析
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 實(shí)驗(yàn)結(jié)果分析
        4.3.3 實(shí)驗(yàn)結(jié)果比較
    4.4 本章小結(jié)
第五章 基于批特征擦除和多特征融合的行人重識(shí)別
    5.1 引言
    5.2 基于批特征擦除和多特征融合的行人重識(shí)別
        5.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        5.2.2 多級(jí)語義特征網(wǎng)絡(luò)
        5.2.3 批特征擦除網(wǎng)絡(luò)結(jié)構(gòu)
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 實(shí)驗(yàn)設(shè)置
        5.3.2 實(shí)驗(yàn)結(jié)果分析
        5.3.3 實(shí)驗(yàn)結(jié)果比較
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    主要結(jié)論
    展望
致謝
參考文獻(xiàn)
附錄:作者在攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]多形狀局部區(qū)域神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的行人再識(shí)別[J]. 陳亮雨,李衛(wèi)疆.  中國(guó)圖象圖形學(xué)報(bào). 2019(11)
[2]基于深度卷積生成對(duì)抗網(wǎng)絡(luò)和拓展近鄰重排序的行人重識(shí)別[J]. 戴臣超,王洪元,倪彤光,陳首兵.  計(jì)算機(jī)研究與發(fā)展. 2019(08)
[3]基于深度學(xué)習(xí)的行人重識(shí)別研究進(jìn)展[J]. 羅浩,姜偉,范星,張思朋.  自動(dòng)化學(xué)報(bào). 2019(11)
[4]基于特征融合與子空間學(xué)習(xí)的行人重識(shí)別算法[J]. 朱小波,車進(jìn).  激光與光電子學(xué)進(jìn)展. 2019(02)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)判別特征學(xué)習(xí)的行人重識(shí)別[J]. 陳兵,查宇飛,李運(yùn)強(qiáng),張勝杰,張園強(qiáng),庫濤.  光學(xué)學(xué)報(bào). 2018(07)
[6]視頻監(jiān)控中的行人再識(shí)別技術(shù)綜述[J]. 尹萍,趙亞麗.  警察技術(shù). 2018(01)

博士論文
[1]多特征融合的行人重識(shí)別算法研究及其加速[D]. 楊繼偉.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[2]基于深度學(xué)習(xí)的行人重識(shí)別方法研究[D]. 袁彩虹.華中科技大學(xué) 2019

碩士論文
[1]多粒度人體結(jié)構(gòu)對(duì)齊的行人重識(shí)別算法研究[D]. 龔杰.北京交通大學(xué) 2019
[2]基于局部特征和度量學(xué)習(xí)的行人重識(shí)別模型研究[D]. 張國(guó)鵬.華東師范大學(xué) 2019



本文編號(hào)：3161749