智能監(jiān)控系統(tǒng)中行人重識別方法研究.pdf

1、近年來，監(jiān)控系統(tǒng)的普及給傳統(tǒng)的人工監(jiān)控分析帶來了巨大的挑戰(zhàn)，從而促進了智能監(jiān)控系統(tǒng)中自動檢測、識別、分析等應用的發(fā)展。其中，基于行人重識別的智能視頻分析成為計算機視覺研究領(lǐng)域中的重點和熱點，在打擊罪犯、災難預警、安防安保中發(fā)揮著越來越重要的作用。利用深度學習、度量學習等機器學習算法解決相同身份行人的匹配問題已經(jīng)成為行人重識別的主流研究方向，但是，由于視角差大、光照變化、遮擋嚴重等因素的影響，穩(wěn)定精確地實現(xiàn)行人重識別仍然是亟待解決的問題。

2、
　　本文以實現(xiàn)行人的魯棒性重識別為主要研究目標，從單幀重識別、非時序多幀重識別、時序多幀重識別和視域匹配四個方面展開研究，實現(xiàn)了行人的穩(wěn)定重識別，主要工作如下:
　　首先，在單幀重識別問題中，針對傳統(tǒng)的特征級融合中低維度特征容易被高維度特征淹沒而引起判別性能下降問題，提出一種新的決策級融合方法，通過對特征與排序的結(jié)構(gòu)化輸出結(jié)果構(gòu)建聯(lián)合特征，利用結(jié)構(gòu)化支持向量機有效權(quán)衡多特征光照的不變性和辨別力，使其決策達到全局最優(yōu);針對全

3、局度量在具有復雜光照的多峰數(shù)據(jù)上無法同時滿足類內(nèi)緊密性和類間可分性的問題，利用LC空間中的顏色轉(zhuǎn)移不變性，進行多模式度量挖掘，更好地衡量多模分布下數(shù)據(jù)點間的距離，提高了多模光照分布下的識別率。
　　其次，在非時序多幀重識別問題中，針對如何利用多幀圖片的互信息提高識別率的問題，提出了基于多示例卷積神經(jīng)網(wǎng)的重識別方法。通過Siamese卷積神經(jīng)網(wǎng)提取示例對判別性特征，并借助多?；貧w獲得相似度度量，然后利用集體決策原則聯(lián)合各匹配對的相似

4、性信息在多示例卷積神經(jīng)網(wǎng)中對包級樣本進行聯(lián)合優(yōu)化;在此方法中，設(shè)計了M3P池化層以聯(lián)合多示例特征成為包級特征，從而弱化偽樣本的影響，通過反饋機制優(yōu)化網(wǎng)絡(luò)參數(shù)實現(xiàn)更加精確的模型學習。
　　再次，在時序多幀重識別問題中，針對外貌和運動信息匹配不同步的問題，提出了多源特征提取及度量學習方法。針對外貌和運動特征，分別通過樹形結(jié)構(gòu)優(yōu)化和光流法優(yōu)化的方法進行視頻片段分割，然后利用考慮偽樣本估計的多示例度量學習方法實現(xiàn)最優(yōu)片段匹配和最佳度量的聯(lián)

5、合學習。
　　最后，在相機視域的像素級對應點匹配問題中，針對匹配點在不同相機中外部形態(tài)差異很大無法進行關(guān)鍵點匹配的問題，提出了基于強魯棒性時空活動性特征的視域匹配算法，增強了特征的唯一性，提升了匹配的準確率;利用時空活動性特征和行人本質(zhì)屬性特征共同構(gòu)建能量方程進行匹配，不依賴單應性矩陣，增強了算法實用性。
　　綜上，本文通過對不同條件下行人重識別問題的深入分析，研究了魯棒性特征的挖掘與匹配方法，在一定程度上豐富了行人重識別數(shù)