Single-shot和multi-shot场景下的行人再识别算法研究

摘要

随着人们对社会公共安全的重视不断地提高，视频监控系统被部署在了各大公共场所，为社会治安稳定提供了技术保障。在视频监控网络中，行人是最受关注的重点之一。针对特定行人的检索，尤其是无重叠视野下的行人检索问题，即行人再识别问题，是当前安防领域中重要的研究课题。因此，设计一种识别效率高且具有鲁棒性的行人再识别方法具有非常高的理论价值和应用价值。
　　本文根据行人再识别中两个不同的研究场景，分别提出了两种方法，来解决行人再识别跨场景下的问题。本文的主要研究内容如下：
　　（1）针对single-shot场景，本文提出了一种结合语义属性和身体区域的行人再识别算法。传统的大部分方法都是通过学习一个全局的排序模型和通过整张图片的信息来进行匹配查找，这忽视了每个个体的独特性和各个身体部分对于行人再识别的贡献存在一定的差异，本文针对这个问题进行算法设计。首先，利用SVM进行语义属性分类器的训练，进而对每个属性进行加权。其次，对每个行人的上下半身分别进行支持向量机学习，得到每个半身区域的分类器。与传统的针对整个数据集的分类器不同，本文为每个个体的每个身体区域都设计了一个分类器，因此在计算相似距离的时候能够很好地适配每个个体。然后，分别计算上下半身的距离并进行融合，得出整张图片的距离，继而得到相似度排序结果。最后，在基于行人再识别的公共数据集VIPeR、QMUL GRID和PRID2011的实验表明，本文提出的行人再识别算法具有较高的识别准确率。
　　（2）针对multi-shot场景，本文引入AdaBoost算法，提出一种集成时空特征和基于集合的度量学习的行人再识别算法的框架。主流的研究方向主要有基于集合的时空特征提取和基于集合的度量学习方法，大部分现有的研究方法将关注点集中于其中一个方向，本文通过集成两个研究方向的算法，充分吸取两个研究的优势并进行有机结合。提出的算法在PRID2011数据集和iLIDS-VID数据集上分别进行测试，并与现有的同类方法进行了比较，实验结果表明第一识别准确率有明显的提升。
　　本文针对single-shot和multi-shot两种场景分别提出的算法具有一定的创新性，同时对于两个场景下的算法研究能够覆盖大部分行人再识别的实际应用需求，具有一定的应用价值。

目录

声明

1 绪论

1.1 研究背景

1.2 研究意义

1.3 论文研究内容及技术路线

2 行人再识别的相关文献综述

2.1 行人再识别研究概况

2.2 single-shot场景下行人再识别研究方法综述

2.3 Multi-shot场景下行人再识别研究方法综述

3 Single-shot场景下结合语义属性和身体区域的行人再识别方法

3.1 算法框架

3.2 LOMO特征提取

3.3 语义属性特征提取和加权

3.4 基于身体区域的行人再识别

3.5 实验结果分析

4 Multi-shot场景下结合AdaBoost的行人再识别方法

4.1 算法框架

4.2 基于行人图片序列特征的行人再识别

4.3 基于行人图片序列度量学习方法的行人再识别

4.4 基于AdaBoost的算法集成框架

4.5 实验与结果分析

结论

参考文献

攻读硕士学位期间发表学术论文情况

致谢