论文部分内容阅读
人体重识别技术是指在不同的时间点,对于出现在两个非重叠摄像机下的行人进行检索和追踪的方法。在机场、地铁站等人员密集场所,基于人体特征的重识别技术有着十分重要的应用价值,受到了越来越多的研究者的关注。对人体重识别技术的研究方法分为有监督和无监督两大类,有监督方法主要包括传统机器学习方法和深度学习方法。本文将结合人体的局部特征,使用深度学习方法对人体重识别技术进行研究。在基于视频数据的人体重识别研究中,大多数基于深度学习的模型方法在提取视频中的行人特征时,处理的数据都是整帧图像序列,所以得到的特征表示是行人的整体特征。为进一步准确描述行人的特征,本文提出了一种基于人体局部特征的空间时序特征混合模型(STFMM),先提取视频序列中不同部位的特征,再利用这些特征构建行人的特征表示。在模型的构建中,首先将原始视频序列水平切割为W个子部位视频序列,然后利用深度学习网络进行各个部位的特征信息提取,最后将各个子部位特征融合到一起作为原始视频序列中行人的特征表示。在数据集iLIDS-VID和PRID-2011上进行了实验验证,实验结果表明所提出的模型在指标CMC rank-1上分别达到了 73.6%和81.3%的识别精度,与目前最好的空间时序池化注意力模型(ASTPN)模型相比分别提高了 11.3%和4.0%。在测试模型稳定性的交叉实验中,STFMM模型在数据集PRID-2011上的CMC rank-1达到了47.8%,比 ASTPN 模型提高了 17.1%。胶囊网络是深度学习领域新出现的一类模型网络,其在图片分类领域有着很好的表现。本文首次将胶囊网络应用到人体重识别领域中来,并提出了两个模型:CapsReId模型和CapsPartReId模型。CapsReId模型结合了胶囊网络和Siamese网络,其中将胶囊网络融入到了 Siamese网络的子网络中。CapsPartReId模型是在CapsReId模型基础上结合了人体的局部特征,将胶囊网络融入到扩展后的Siamese网络的子网络中。在数据集VIPeR,CUHK01,GRID,PRID450S和CUHK03上进行了实验验证,融入局部特征的CapsPartReId模型比CapsReId模型在指标CMC rank-1 上的识别精度分别高了 3.7%,0.4%,1.3%,3.1%和 5.5%。