發(fā)布時(shí)間：2023-11-20 17:18

　　行人重識(shí)別的目的是在不同位置和不同攝像機(jī)拍攝到的行人中識(shí)別出相同的行人。由于行人容易受到姿態(tài)、照明、背景以及遮擋等方面的影響,使得行人重識(shí)別方法在本質(zhì)上具有挑戰(zhàn)性。為了提高行人重識(shí)別的性能,本文對(duì)行人重識(shí)別方法進(jìn)行了研究,主要的研究?jī)?nèi)容可以概括為以下兩個(gè)方面:(1)基于深度多視圖特征距離融合原理,提出了一種新的行人重識(shí)別方法。該方法通過(guò)利用傳統(tǒng)特征和深度特征的相互協(xié)作來(lái)提高行人重識(shí)別的識(shí)別精度。首先,將滑框技術(shù)應(yīng)用在卷積層,對(duì)卷積特征進(jìn)行不同尺度的處理,得到一種新的低維的深度區(qū)域聚合特征向量,新得到的卷積特征維數(shù)等于卷積層的通道數(shù);其次,在使用交叉視圖二次判別分析距離度量方法的基礎(chǔ)上,將深度區(qū)域聚合特征和手工特征進(jìn)行融合,提出了一種多視圖特征距離學(xué)習(xí)的算法;最后,利用加權(quán)融合策略來(lái)完成深度區(qū)域聚合特征和傳統(tǒng)手工特征之間的協(xié)作。大量的實(shí)驗(yàn)數(shù)據(jù)表明通過(guò)距離加權(quán)融合之后行人重識(shí)別的精度明顯高于基于單一的特征距離度量取得的識(shí)別結(jié)果,并且證明了所提的深度區(qū)域特征和算法模型的有效性。(2)考慮不同層次的卷積特征的更多互補(bǔ)優(yōu)勢(shì),基于多尺度卷積特征融合特性,提出了一種新的行人重識(shí)別方法。在訓(xùn)練階段,使...

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 前言
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于手工特征的行人重識(shí)別
        1.2.2 基于深度學(xué)習(xí)的行人重識(shí)別
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
2 行人重識(shí)別研究概述
    2.1 行人重識(shí)別系統(tǒng)概要
    2.2 卷積神經(jīng)網(wǎng)絡(luò)在行人重識(shí)別的應(yīng)用
    2.3 行人重識(shí)別數(shù)據(jù)庫(kù)
    2.4 行人重識(shí)別的算法評(píng)價(jià)指標(biāo)
    2.5 本章小結(jié)
3 基于深度多視圖特征距離學(xué)習(xí)的行人重識(shí)別
    3.1 區(qū)域特征聚合方法
    3.2 局部最大特征的提取
    3.3 多特征距離學(xué)習(xí)
        3.3.1 XQDA距離度量
        3.3.2 加權(quán)融合策略
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 加權(quán)參數(shù)的選擇
        3.4.2 微調(diào)策略分析
        3.4.3 與其他算法結(jié)果對(duì)比
    3.5 本章小結(jié)
4 基于多尺度卷積特征融合的行人重識(shí)別
    4.1 優(yōu)化的Resnet-50 神經(jīng)網(wǎng)絡(luò)
        4.1.1 數(shù)據(jù)預(yù)處理
        4.1.2 損失函數(shù)
        4.1.3 學(xué)習(xí)率
        4.1.4 訓(xùn)練過(guò)程
    4.2 基于Resnet-50 神經(jīng)網(wǎng)絡(luò)的特征提取
        4.2.1 池化策略
        4.2.2 多尺度卷積特征提取
    4.3 重排序策略
    4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
5 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間主要研究成果



本文編號(hào)：3865498