基于有效特征提取的跨场景行人识别方法研究

摘要

目前，大规模视频监控摄像机安装在各个交通要道。当治安事件发生后，需要工作人员从海量监控视频画面中寻找可疑目标行人。然而出于对成本、隐私等方面的考虑，监控网络没有完全覆盖所有区域，也即监控区域是不连续的，那么跨场景行人识别成为智能监控系统的一个重要的补充。 跨场景行人识别是一个极具挑战性的问题。行人从一个摄像头跨越到另一个摄像头姿态发生改变，摄像机几何参数、角度、分辨率也有所不同以及不同场景下光照不一致等问题，导致其识别准率低。面对这一难题，本文重点研究了基于有效特征提取的跨场景行人识别方法，具体贡献点如下： 1、提出一种基于自适应显著特征选择的动态加权平均排名行人识别模型，以解决传统方法中以多种特征及固定权重融合导致行人识别率低、识别速度慢的问题。与传统的手工设计特征方法相比有较高的识别准确率： （1）将GrabCut算法和基于流形排序显著性检测算法相融合，使手工提取的行人外观特征描述子更加准确，达到去除静态行人图像背景的目的； （2）提出一种自适应显著特征选择方法，解决单一特征难以稳定地描述行人的问题，实现有效地提取行人外观特征描述子的目的； （3）提出动态加权平均排名行人识别模型。因为所提出的自适应显著特征选择方法，提取到的行人特征向量的维度动态变化，所以无法采用机器学习的相似性度量方法计算行人相似性排名。为了解决将多维动态特征向量有效地融合的问题，提出该识别模型，达到更好地配准行人的目的。 2、提出一种基于验证和识别相融合的深度行人识别网络，解决能减小类内距离，增大类间距离的特征表示方法的问题。该融合网络和任一单支（验证和识别）网络相比，提高了识别准确率和收敛速度： （1）实现了并行验证和串行识别两种深度行人识别网络，并通过实验验证了其有效性。 （2）设计了并行验证网络和串行识别网络的融合方法。其中，串行识别深度网络模型能够增加不同人的类间间距特征表示，并行验证网络能够减少同一个行人的类内间距特征表示。将行人验证和识别的深度网络通过共享参数的方式融合，增强了深度行人识别网络的泛化能力。 3、提出基于深度特征和改进联合贝叶斯相融合的行人比对方法。该方法首先从所提出的融合网络中提取深度行人特征向量；其次，对联合贝叶斯进行改进，使其用于解决行人深度特征向量的相似性度量问题；最后，采用标注行人深度特征向量的方式来训练改进的联合贝叶斯模型，得到一个更符合样本特性的距离度量函数。所提方法与cos距离相比能够更好地度量深度固定维数的行人特征向量；同时，在VIPeR数据集上提高了行人识别的准确率。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 行人数据库简介

1.4 本文研究内容与目标

1.5 论文的结构安排

第二章 基于自适应显著特征选择的动态加权平均行人识别模型

2.1 相关研究工作回顾

2.2基于自适应显著特征选择的动态加权平均行人识别模型

2.3实验结果

2.4本章小结

第三章 基于验证和识别相融合的深度行人识别网络

3.1相关研究工作回顾

3.2 基于验证和识别相融合的深度行人识别网络

3.3实验结果

3.4 本章小结

第四章 基于深度特征融合改进联合贝叶斯的行人比对方法

4.1相关研究工作回顾

4.2 基于深度特征融合改进联合贝叶斯的行人比对方法

4.3 实验结果

4.4本章小结

第五章 总结与展望

5.1 本文总结

5.2 后续展望

参考文献

致谢

作者在攻读硕士期间的主要研究成果