非重叠监控场景下行人再识别关键技术研究

非重叠监控场景下行人再识别关键技术研究

ID:35188407

大小:6.10 MB

页数:73页

时间:2019-03-21

非重叠监控场景下行人再识别关键技术研究_第1页
非重叠监控场景下行人再识别关键技术研究_第2页
非重叠监控场景下行人再识别关键技术研究_第3页
非重叠监控场景下行人再识别关键技术研究_第4页
非重叠监控场景下行人再识别关键技术研究_第5页
资源描述:

《非重叠监控场景下行人再识别关键技术研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、分类号密级硕士学位论文题目:非重叠监控场景下行人再识别关键技术研究英文并列题目:ResearchonKeyTechnologyofPersonRe-identificationinNon-overlappingSurveillanceScenarios研究生:霍中花专业:信号与信息处理研究方向:图像与视频信号分析处理导师:陈莹教授指导小组成员:学位授予日期:二○一六年六月答辩委员会主席:于凤芹江南大学地址:无锡市蠡湖大道1800号二○一六年六月独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果?尽我所知,除了文中特别加k

2、乂标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含本人为获得江南大学或其它教育机构的学位或证书而使用过的材料一。与我同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。's.、V签义:节中也日期:户关于论文使用授权的说明本学位论文作者完全了解江南大学有关保留、使用学位论文的规定:江南大学有权保留并向国家有关部口或机构送交论文的复印件和滋盘,允许论文被查阅和借巧,可将学位论文的全部或部分内容编入有关数据库进行检索》^,可^采用影印、缩印或扫描等复制手段保存、汇编学位论文,

3、并且本人电子文档的内容和纸质论文的内容相一致。保密的学位论文在解密后也遵守此规定。签為):导师签為:巧7日期:td含摘要摘要非重叠监控场景下的行人再识别问题是指给定一张行人图像,在已有的来源于非重叠摄像机视场观测的行人图像库中,利用其外观特征识别出与该行人相关的图像。该技术在刑事侦查、行人检索、多摄像机行人跟踪等视频监控领域都有着重要的应用。但在不同摄像机场景中,由于视角变化、位姿变化、光照条件和背景变化、摄像头设置等因素的影响,导致同一行人的图像外貌存在着很大的差异,这种差异可能会大于衣着相近的不同个体的外貌差异。在这样的条件下,如何建

4、立一种识别效率高、对上述影响因素具有鲁棒性的再识别方法,近年来引起研究人员的广泛关注。本文对非重叠场景下的行人再识别问题进行了研究与讨论,主要研究成果包括以下几个方面:1)针对行人再识别中目标的类间显著性外观特征不稳定的问题,在图像固有显著性的基础上,提出一种基于多显著性融合的行人再识别算法。首先采用流形排序(ManifoldRanking,MR)算法学习内在显著性分数值,利用背景和目标特性建立两级流形排序,得到图像本身固有的显著性;然后将图像固有的显著性与类间显著性进行归一化融合,形成对目标更准确的显著性描述;最后用融合的显著性对相似度进行分段加权以获取准确

5、的再识别结果。实验表明,与同类方法相比,本文算法能获取更为准确的目标显著性描述,具有较高的行人再识别率。2)针对行人再识别中匹配块的显著性外观特征不一致的问题,在多显著性融合的基础上,进一步提出一种基于多方向显著性相似度融合学习的行人再识别算法。首先分析匹配块的四种显著性分布情况,通过多向显著性加权融合建立匹配块的视觉相似度,然后采用基于结构支持向量机(StructuralSVM)排序的度量学习方法获得各方向显著性的权重值;最后,通过多向显著性相似度加权融合建立图像对之间的视觉相似度,进而提高行人再识别的匹配率。方法不仅考虑了匹配块的多向显著性,而且考虑了各方

6、向显著性的权重值,从而可加强识别的区分度,提高再识别的准确性。实验表明,与同类方法相比,本文算法能获取更为全面的相似度度量,具有较高的行人再识别率。3)针对行人再识别在度量学习算法中使用的主成分分析法容易丢失分类信息的问题,提出一种基于增量式线性判别分析的行人再识别算法。首先采用线性判别分析(LinearDiscriminantAnalysis,LDA)的映射方法使样本在保持最大化分类信息的基础上投影到低维子空间中,进而在低维子空间中学习距离度量矩阵,并利用广义特征值分解法求解投影变换矩阵;然后,由变换矩阵和原样本空间的协方差矩阵得到样本子空间的马氏矩阵;最后

7、,利用增量学习(InrementalLearning)的方法对学习到的马氏矩阵进行基于新标记训练样本的更新,实现度量矩阵的实时更新性。方法不仅考虑了映射子空间保留样本分类信息的问题,而且考虑了度量矩阵对新样本的更新性,从而增强算法识别的准确性和可扩展性。实验表明,与同类方法相比,本文算法具有较高的行人再识别率。I摘要关键词:行人再识别;显著性特征;度量学习;线性判别分析;增量学习IIAbstractAbstractMatchingpersonsobservedfromnon-overlappingcameraviews,knownaspersonre-iden

8、tification(re-id),a

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。