基于多核學習的無重疊視域多攝像機行人再識別問題研究.pdf

1、近年來,隨著智能視頻監(jiān)控技術(shù)的發(fā)展,無重疊視域多攝像機行人再識別問題成為了該領(lǐng)域的一個研究熱點。該問題主要解決的任務是:某個被攝像機捕捉到的特定行人,當其在另一具有無重疊視域的攝像機中再次出現(xiàn)時,監(jiān)控系統(tǒng)能夠自動地識別標記出該行人。此問題的解決主要存在以下幾個難點:光照變化的干擾,時空信息的缺失以及行人姿態(tài)的多樣性。本文提出了一種基于不同攝像機下行人外表多種特征建模的方法來解決行人再識別問題。論文的主要工作及貢獻集中在下面幾個方面:

2、r>　　1.在針對不同攝像機間建立關(guān)系模型方面,提出了松弛邊界分量分析(Relaxed Margin Components Analysis,RMCA)距離測度學習方法。結(jié)合單幀行人庫以及多幀行人庫中樣本點周圍的異類樣本點遠多于同類樣本點的數(shù)據(jù)分布情況,在最大邊界近鄰(Large Margin Nearest Neighbors,LMNN)算法的基礎(chǔ)上,重新定義了“邊界”函數(shù)使之能夠根據(jù)數(shù)據(jù)分布靈活可調(diào)。算法能夠在僅使用簡單顏色特征的條

3、件下具有良好的再識別效果,并且收斂速度快。
　　2.提出一種基于核映射的松弛邊界分量分析(Kernel RMCA,KRMCA)算法。考慮到在高維空間中樣本數(shù)據(jù)更為可分,本文借助核函數(shù)(Kernel Function)將行人樣本特征映射入高維空間再使用RMCA算法進行建模。最后,針對幾種常用的核函數(shù)進行分析討論,得出最為適合本文所使用行人特征表達的JS(Jensen-Shannon)核函數(shù)。實驗結(jié)果表明,與RMCA算法相比,KRMC

4、A算法進一步提升了再識別的準確率。
　　3.提出一種多特征結(jié)合的行人再識別方法。為了實現(xiàn)不同特征貢獻度的自適應選擇,結(jié)合多核學習(Multiple Kernels Learning,MKL)的思想,進一步將KRMCA算法改造為多核松弛邊界分量分析算法(Multiple Kernels RMCA,MKRMCA)。之后在MKRMCA算法的基礎(chǔ)上提出一種新穎的核寬度參數(shù)選擇算法,能夠?qū)崿F(xiàn)核寬度參數(shù)的自適應生成。實驗結(jié)果表明,該方法能夠進