论文部分内容阅读
行人再识别技术作为视频分析中重点的研究内容之一,吸引了大批学者的关注。该技术是根据提取的行人视觉特征,在跨摄像头的情况下判断给定行人是否为相同行人。目前,行人再识别的研究侧重于对行人特征的提取。人工提取行人特征的方法集中在对颜色及纹理等低层特征的处理,基于深度学习的行人再识别的特征提取算法的研究主要是针对以行人身份验证、身份识别任务,通过构建复杂的神经网络结构来实现行人的特征匹配,因此设计简单且有效的网络结构提取更具区分性和鲁棒性的行人特征是本文行人再识别研究的重点内容。本文提出了基于多任务联合监督学习的网络结构,通过提取更具区分能力的深层卷积行人特征,有效提升了行人再识别效果。多任务联合监督学习网络结构主要涉及联合监督的行人身份信息学习和辅助特征提取的行人多属性学习两个方面。本文首先提出利用两个损失函数对行人身份识别任务实现联合监督学习,这种方法既可以使网络学习得到的特征具有不同行人之间得差异性信息又可以使所学特征具有相同行人之间的相关性信息,将两种信息采用联合监督的学习方式指导网络模型的参数更新,有效的提高了行人特征的表现能力。本文又考虑到行人单一的身份信息对于指导网络学习行人的具体特征存在着局限性。因此,在联合监督的行人身份学习任务的基础上加入行人属性学习任务,使网络的学习目标从单一的行人身份识别的学习扩展到详细的行人外貌描述性语义特征的学习。这可以有效的减少行人在跨摄像头下发生变化所带来的影响,从而获得能更加准确的行人描述特征。在网络结构的实现上,本文采用多任务学习的方法利用网络共享结构实现对多任务之间的相关性学习,有效的降低了模型的计算开销,提取的行人特征更有助于提升行人再识别的准确率。为了验证本文所提出的多任务联合监督学习网络结构的有效性,本文分别在Market1501和Duke MTMC-reid行人再识别数据库上进行实验。与单独的Softmax函数所监督的行人身份指导网络结构相比较,本文提出的方法在Market1501中Top-1和m AP准确率分别提升了8.37%和13.23%;在Duke MTMC-reid中Top-1和m AP准确率分别提升了10.28%和9.47%。实验结果表明本文提出的行人特征提取网络结构,可以有效地提高行人再识别的效果。