基于多核學(xué)習(xí)的無重疊視域多攝像機(jī)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(jī)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(wù)是:某個被攝像機(jī)捕捉到的特定行人,當(dāng)其在另一具有無重疊視域的攝像機(jī)中再次出現(xiàn)時,監(jiān)控系統(tǒng)能夠自動地識別標(biāo)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(jī)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(xiàn)集中在下面幾個方面:

2、r>　　1.在針對不同攝像機(jī)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(xué)習(xí)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(yuǎn)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?？紤]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(jìn)行建模。最后,針對幾種常用的核函數(shù)進(jìn)行分析討論,得出最為適合本文所使用行人特征表達(dá)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(jìn)一步提升了再識別的準(zhǔn)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(xiàn)度的自適應(yīng)選擇,結(jié)合多核學(xué)習(xí)(Multiple Kernels Learning,MKL)的思想,進(jìn)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(yīng)生成。實驗結(jié)果表明,該方法能夠進(jìn)