發(fā)布時(shí)間：2020-03-30 19:55

【摘要】：行人再識(shí)別是利用計(jì)算機(jī)視覺(jué)技術(shù)判斷圖像或者視頻序列中是否存在特定行人的技術(shù),即給定一個(gè)或一段監(jiān)控行人圖像,要求機(jī)器可以自動(dòng)檢索跨攝像頭設(shè)備下該行人圖像以進(jìn)行對(duì)行人的追蹤與定位。該類算法旨在彌補(bǔ)目前固定的攝像頭的視覺(jué)局限,并可與行人檢測(cè)/跟蹤技術(shù)一起廣泛應(yīng)用于智能視頻監(jiān)控、智能安保等領(lǐng)域。行人再識(shí)別的數(shù)據(jù)中經(jīng)常存在如下幾類噪音:圖像分辨率較低、行人姿勢(shì)不同、光照變化以及相機(jī)視角不同等。這些噪音導(dǎo)致不同攝像機(jī)所拍攝的同一個(gè)行人圖像在視覺(jué)表觀特征上常常存在較大差別。目前現(xiàn)有方法大多將研究重點(diǎn)放在如何從整張圖片中提取更加魯棒的行人特征,而忽略了圖片本身質(zhì)量對(duì)結(jié)果的干擾。本文從解決圖片低分辨率的角度出發(fā),針對(duì)行人再識(shí)別數(shù)據(jù)庫(kù)中行人圖像分辨率較低、不同行人的視覺(jué)特征過(guò)于相似的問(wèn)題提出了一套基于深度學(xué)習(xí)的行人再識(shí)別算法(自動(dòng)權(quán)重卷積神經(jīng)網(wǎng)絡(luò))。本文主要貢獻(xiàn)如下:1、本文提出用對(duì)抗生成網(wǎng)絡(luò)對(duì)圖像像素進(jìn)行信息增強(qiáng),該算法以對(duì)抗博弈訓(xùn)練為基礎(chǔ),生成器與判別器互為約束,學(xué)習(xí)出從低分辨率到高分辨率的合適映射關(guān)系,將原始低分辨率圖像重建為高分辨率圖像,恢復(fù)圖像中的紋理細(xì)節(jié)。2、針對(duì)輸入圖像質(zhì)量較差的情況,本文進(jìn)一步提出自動(dòng)權(quán)重分配網(wǎng)絡(luò),在傳統(tǒng)的深度學(xué)習(xí)分類網(wǎng)絡(luò)基礎(chǔ)上引入圖像語(yǔ)義信息參與分類,對(duì)圖像的不同區(qū)域自動(dòng)分配合適的權(quán)重,從而使網(wǎng)絡(luò)能夠自動(dòng)提取每個(gè)行人身上最具有代表性的特征。3、本文在實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn),比起僅僅使用傳統(tǒng)交叉熵或者三元組損失函數(shù),使用二者的組合損失函數(shù)表現(xiàn)更好。該組合損失函數(shù)能夠在最大化行人圖像的類間距離,最小化行人圖像的類內(nèi)距離的同時(shí)保持整體分類的約束條件。4、本文在兩個(gè)具有挑戰(zhàn)性的行人再識(shí)別數(shù)據(jù)集iLIDS-VID和PRID-2011上進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明本文所提出的算法有效地減少了低分辨率對(duì)行人外觀的影響,并減輕了行人特征混淆的問(wèn)題,顯著提高了行人再識(shí)別的識(shí)別率。5、本文進(jìn)一步將所提出模型與基準(zhǔn)模型(去除所有本文提出算法的模型)在同樣行人圖像上提取的特征進(jìn)行降維可視化,可視化的結(jié)果有力地證明本文所提出的算法能夠減輕相機(jī)之間的差異與行人姿態(tài)差異對(duì)最終特征造成的影響,有效拉近來(lái)自不同攝像機(jī)的同一行人的特征。
【圖文】：

于身體所占面積更大，因此從行人整個(gè)身體提取特征更加容易，，提取出的特征逡逑也更具有辨別力。逡逑目前行人再識(shí)別問(wèn)題己經(jīng)引起了研究人員的廣泛重視。圖１－１中展示了近逡逑年以來(lái)在國(guó)際頂級(jí)計(jì)算機(jī)視覺(jué)會(huì)議ＣＶＰＲ與ＩＣＣＶ／ＥＣＣＶ上發(fā)表的行人再識(shí)別逡逑工作數(shù)量。可以看到，近年來(lái)行人再識(shí)別的論文數(shù)量呈爆炸式的X棾�。大量科辶x涎謝�构与学校将行人再识别作为重要惦y芯糠較潁�并提畴h撕芏嚶屑壑檔乃惴ㄥ義希郟擔(dān)�６，ＡP�８�

本文編號(hào)：2607986