基于局部特征编码的人体再识别

摘要

随着科学技术的发展，大规模分布式多摄像头监控网络渐渐融入人们的生活，保障着公共安全。人体再识别问题是视频监控中的一项重要课题，旨在识别非同时、非同地监控视频中的同一行人目标，可应用于嫌疑人定位、走失人员查找等领域。然而，由于环境条件的多变性，人体再识别问题仍面临很多挑战。
　　本课题采用图像处理和计算机视觉领域的经典算法解决人体再识别问题：在行人检测方面，使用HOG特征描述子及SVM完成视频集中的行人检测工作；在特征提取方面，使用具有辨识力的颜色及纹理特征描述图像，同时结合图像分割、位置核函数和图像金字塔等技术以使特征更强健；在分类及匹配方面，使用高效的局部特征编码算法完成，从候选集中选取与探测目标近似的推荐。
　　当将人体再识别系统应用于实际时，人们期望在保证再识别率的同时兼顾实时性。然而，一般的人体再识别技术忽略了时间方面的需求，与它们不同的是，本课题不仅在识别率方面取得了良好的效果，在实时性方面亦有出色的表现。
　　本课题从两方面对方案进行了验证：首先，在公共数据集上进行实验，并与流行的再识别技术进行精度和速度方面的比较；其次，在自行采集的视频集上进行实施，以考察方案在实际使用中的性能表现。令人较满意的实验结果证实此方法具有实际应用的价值。此外，为了将方案提供给第三方使用，本课题基于C++进行了可视化软件的开发。

目录

声明

第一章 绪论

1.1 研究背景、难点及意义

1.2 人体再识别系统的流程及分类法

1.2.1 流程

1.2.2 分类法

1.3 人体再识别技术的回顾和进展

1.3.1 特征表示方面

1.3.2 模型学习方面

1.4 主要研究内容

1.5 论文结构安排

第二章 人体再识别系统

2.1 系统示意图

2.2 行人检测

2.2.1 背景抑制

2.2.2 图像特征

2.3基于外观的模型

2.3.1 颜色直方图

2.3.2 颜色上下文描述子

2.3.3 兴趣点检测和描述

2.3.4 协方差描述子

2.3.5 纹理特征

2.4分类器及匹配准则

2.4.1 直接距离度量

2.4.2 多种距离学习方法

2.4.3 SVM和AdaBoost

2.5 行人检测实验结果

2.5.1 HOG行人检测算法简介

2.5.2 实验结果

2.6 本章小结

第三章 图像表示与识别中的特征编码技术

3.1 特征编码技术简介

3.2 特征编码算法的分类

3.2.1 基于表示的分类

3.2.2 基于动机的分类

3.3 典型特征编码算法的数学模型

3.3.1 基于投票的特征编码算法

3.3.2 Fisher特征编码算法

3.3.3 基于重建的特征编码算法

3.3.4 基于局部正切的特征编码算法

3.3.5 显著性特征编码算法

3.4 算法性能评价

3.5 本章小结

第四章 基于特征编码的人体再识别系统及其实现

4.1 行人检测与追踪技术简介

4.1.1 行人检测算法综述

4.1.2 目标追踪算法综述

4.2 提取图像特征描述子

4.3 应用局部约束线性编码

4.3.1 LLC的应用

4.3.2 相关比较

4.4 决策规则

4.5 本章小结

第五章 实验结果及软件展示

5.1 常用数据集

5.1.1 VIPeR数据集

5.1.2 CAVIAR4REID数据集

5.1.3 ETHZ数据集

5.1.4 i-LIDS数据集

5.2 常用数据集上的实验结果

5.2.1 VIPeR数据集的再识别结果

5.2.2 CAVIAR4REID数据集的再识别结果

5.2.3 ETHZ数据集的再识别结果

5.2.4 i-LIDS数据集的再识别结果

5.3 自行采集的数据集

5.4 软件研发及界面、功能展示

5.5 自行采集的数据集上的再识别结果

5.5.1 从视频1中再识别视频3中的目标

5.5.2 从视频2中再识别视频3中的目标

5.5.3 从视频3中再识别视频2中的目标

5.5.4 从视频1中再识别视频2中的目标

5.6 本章小结

第六章 总结和展望

6.1 总结

6.2 展望

参考文献

致谢

攻读硕士学位期间已发表或录用的论文