基于深度学习的多摄像机协作监控系统目标匹配方法研究与系统实现

摘要

在智能多摄像机协作监控系统中，目标匹配一直是研究的重点与难点问题。目前应用较广的目标匹配方法主要是基于特征的目标匹配，特征选取的有效性直接影响匹配结果的准确性。深度卷积神经网络能够提取到丰富的图像中层特征表示，已在图像处理领域得到了广泛应用，但其在目标特征提取的过程中，需要调整大量的参数以及大量有标签的训练样本来对网络进行建模，阻碍了其在小规模样本上的应用，并且网络权值的初始化具有一定的随意性，不能很好地体现出训练样本自身属性对于网络结构的影响。因此，本文实现了一种基于深度网络迁移学习的多摄像机目标识别系统，首先利用Caffe框架在大数据库ImageNet上进行网络预训练建模，将得到的中层图像特征表示迁移于行人数据库CAVIAR上进行微调测试，并构建了相应的多摄像机协作监控系统进行实验。结果表明，尽管ImageNet数据库与CAVIAR数据库在对象属性上有着较大的差异，但预训练出的网络却具有相当好的泛化性能。提出了一种基于局部保持投影滤波器的深度学习框架，并将其应用到多摄像机协作监控的目标匹配系统中，对训练样本提取卷积滤波器，而不使用随机初始化卷积核的方式对样本进行特征映射及提取，构建出相应的多摄像机协作监控系统LPP-DL，在CAVIAR数据库及我们自己拍摄的行人数据库ZJGSU01上的实验结果均表明，该算法在计算效率、计算存储、匹配精度等方面均优于已有的基于分类的目标匹配方法。

目录

摘要

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 本文的主要工作

第二章 基于深度卷积神经网络的特征学习及其在目标识别中的应用

2．1 人工神经网络概述

2．2 卷积神经网络(Convolutional Neural Networks，CNNs)

2．2．1 卷积(Convolution)

2．2．2 下采样(Pooling)

2．2．3 网络的训练与学习

2．3 深度卷积神经网络在目标识别中的应用

第三章 基于深度卷积神经网络的迁移学习算法(CNNs-TL)

3．1 引言

3．2 迁移学习(Transfer Learning)

3．3 Caffe深度学习框架

3．4 基于深度卷积神经网络的迁移学习系统实现

3．4．1 基于ImageNet数据库的网络预训练

3．4．2 网络迁移实现

第四章 基于局部保持投影滤波器的深度学习框架(LPP-DL)

4．1 引言

4．2 局部保持投影算法(Locality Preserving Projection，LPP)

4．2．1 局部保持投影算法简介

4．2．2 局部保持投影算法实现

4．3 局部保持投影滤波器

4．4 基于局部保持投影滤波器的深度卷积神经网络系统实现

第五章 多摄像机协作监控目标识别系统构建与性能分析

5．1 数据库和实验环境

5．2 CNNs-TL多摄像机协作目标识别系统

5．2．1 训练样本个数对微调性能的影响

5．2．2 摄像机跨域识别性能

5．3 LPP-DL多摄像机协作目标识别系统

5．3．1 卷积滤波器个数及下采样层数对特征维度的影晌

5．3．2 下采样层数对网络性能的影响

5．3．3 卷积滤波器个数对网络性能的影响

5．3．4 训练样本个数对网络性能的影响

5．3．5 摄像机跨域识别性能

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

在校期间研究成果

致谢

声明