无重叠视域下行人再识别算法的研究

摘要

近年来，随着人们自身公共安全意识的提高以及视频监控技术的发展，智能视频监控系统得到了大量的普及。行人再识别（Person Re-identification）是近几年智能视频分析领域兴起的一项新技术，是多摄像机联合智能视频监控系统中需要解决的关键问题之一，因而得到了广大计算机视觉领域及人工智能领域相关人员的关注。
　　无重叠视域下的行人再识别是指在一个多摄像机联合的视频监控系统下，判断一个摄像头中出现的行人目标是否在另一个非重叠视域监控下的摄像头中出现过的一个过程，即识别出不同摄像机拍摄到的属于某一个行人的图像。但由于受摄像机角度、背景变化、光照条件、姿态变化、遮挡等多种外在复杂因素的影响，同一行人在不同视域下可能存在很大的差异性，从而使得行人再识别问题具有很大的挑战性。本文提出了一种基于度量学习的行人再识别算法PRML(Person Re-identification based on Metric Learning)，主要通过特征学习生成一个测度矩阵来进行行人的再识别。
　　本文首先通过一种图像增强算法对原始行人图像进行处理，从而减少因光照变化所带来的影响，然后根据人体目标外观形态特性对行人进行合理分割，并提取行人图像颜色特征（HSV、Lab）、纹理特征（SILTP、FHOG）以及颜色属性 ColorNames特征并进行核函数学习，将原始线性特征空间投影到更加具有区分性的非线性特征空间并对特征进行PCA降维，之后考虑到不同类型特征对行人图像描述的差异性，分别学习得到三个独立的测度矩阵，并通过正则化方法来优化测度矩阵的过拟合问题，最终并加权融合多个测度矩阵综合得到行人图像对的相似性度量函数，从而实现行人相似性的度量。
　　最后在 VIPeR、iLIDS、CUHK01三个公共数据集上采用CMC（Cumulative Matching Characteristic Curve）曲线评测标准对提出的算法进行了实验效果验证、对比和分析。

目录

声明

专用术语注释表

第一章 绪论

1.1课题研究背景及意义

1.2国内外研究现状

1.3本文研究内容及结构安排

第二章 行人再识别相关技术介绍

2.1引言

2.2行人前景检测

2.3视觉特征研究

2.4相似度匹配准则

2.5本章小结

第三章 基于核学习的行人特征模型构建

3.1引言

3.2行人图像的预处理与分割

3.3特征模型构建与特征的核学习

3.4本章小结

第四章 行人再识别中测度矩阵的学习

4.1引言

4.2距离测度矩阵的学习

4.3独立测度矩阵的正则化与融合

4.4本章小结

第五章 实验结果及分析

5.1引言

5.2实验平台和数据

5.3试验方法和评测指标

5.4实验结果对比分析

5.5本章小结

第六章 总结与展望

6.1研究工作总结

6.2展望

参考文献

附录1 攻读硕士学位期间撰写的论文

附录2 攻读硕士学位期间申请的专利

附录3 攻读硕士学位期间参加的科研项目

致谢