三元组卷积神经网络中行人再识别的应用研究

摘要

视频监控是智慧城市至关重要的组成部分，而行人再识别作为视频监控的重要内容已逐渐引起了国内外学者们的广泛关注。随着近几年的发展，较深的网络架构，较小的卷积核和卷积步长已被证明是提高深度学习性能的有效方法。而最大池化、平均池化、均方根池化在压缩特征尺寸大小的同时能提高图像对旋转、尺度、平移等变化的鲁棒性。因此，本文以改进型嵌套池化三元组卷积神经网络为基础，研究不同嵌套池化方法对非理想自然条件下行人再识别的影响。本文的主要研究内容如下： 1、分析研究了行人再识别以及深度学习的国内外发展现状，并总结了目前行人再识别方法面临的挑战以及存在的不足。 2、针对传统行人再识别特征鲁棒性不强以及难以正确计算局部距离的问题，提出了改进型嵌套池化三元组卷积神经网络。首先在Resnet50的卷积层后添加嵌套池化层提取全局特征，同时在卷积层后提取水平方向的7个局部特征。然后利用自动动态对齐方法计算局部距离，并利用改进型三元组损失蕊数同时训练全局特征和局部特征的权重，最后利用置信度测量机制进一步避免仅利用直接度量而存在的误匹配。 3、在Market-1501、CUHK03和VIPeR数据集…对改进型嵌套池化三元组卷积神经网络的行人再识别性能进行验证。分析了不同池化方法对旋转、尺度变化的鲁棒性，不同嵌套池化顺序对识别性能影响以及置信度测量机制在不同数据集上对识别性能的改善。 实验结果表明：(1)本文提出的改进型嵌套池化三元组卷积神经网络能克服视角变化、部分遮挡、以及旋转、尺度等变化对行人再识别性能的影响，比目前经典的行人再识别方法性能更好；(2)最大池化和平均池化都对旋转和尺度变化具有…一定的不变性，但平均池化能更好地提高特征对旋转变化的鲁棒性，最大池化对尺度变化的鲁棒性较好，利用混合嵌套池化的方法能更好地克服不理想的外界条件对行人再识别的影响；(3)间接度量利用图像间的相互关系，能有效避免仅利用直接度量而引起的负样本比正样本更匹配测试样本的误匹配现象。

目录

声明

1 绪论

1.1 研究背景与意义

1.2 行人再识别难点分析

1.3 国内外研究现状

1.3.1 行人再识别研究现状

1.3.2 深度学习研究现状

1.4 主要研究内容

1.5 组织结构

2 卷积神经网络相关理论

2.1 网络结构

2.1.1 卷积层

2.1.2 池化层

2.1.3 全连接层

2.2 激活函数

2.3 正则化方法

2.4 训练过程

2.4.1 反向传播算法

2.4.2 梯度下降算法

2.5 本章小结

3 嵌套池化三元组卷积神经网络的行人再识别

3.1 网络模型

3.1.1 残差网络

3.1.2 全局特征提取过程

3.1.3 局部特征提取及相似性距离计算

3.2 三元组损失函数

3.2.1 三元组损失函数的提出过程

3.2.2 难样本挖掘策略

3.2.3 改进的三元组损失函数

3.3 间接度量

3.3.1 k相互最近邻重排

3.3.2 置信度测量机制

3.4 评价指标

3.5 本章小结

4 实验及结果分析

4.1 实验数据集

4.2 实验环境

4.3 模型性能分析

4.3.1 不同非理想自然条件下的检测效果

4.3.2 不同模型的检测性能对比

4.4 池化方法的性能分析

4.4.1 不同池化方法对旋转、尺度变化的鲁棒性分析

4.4.2 不同嵌套池化顺序的影响分析

4.4.3 置信度测量机制的影响分析

4.5 本章小结

5 总结与展望

5.1 总结

5.2 展望

致谢

参考文献

攻读学位期间主要研究成果