论文部分内容阅读
随着监控摄像头在各领域的大量应用,传统的人工监控方法无法应对由此产生的海量监控视频。行人重识别是指在多台摄像机监控下进行行人匹配,即给定一个行人目标,在多台不同位置的摄像机不同时刻拍摄的视频中找到该目标。行人重识别(person re-identification)技术是智能视频分析、视频监控、人机交互等诸多领域的核心技术,已经成为计算机视觉领域的研究热点。但是因为光照、视角、姿势、遮挡和分辨率等因素的影响,使得行人重识别技术存在很大的挑战性。行人重识别通常主要包含两个步骤,首先设计有效的描述行人的特征,然后通过度量学习算法进行相似性度量。传统的行人重识别方法依靠人工设计的特征,但由于同一个行人在不同图像中可能有很大差异,而不同的行人又可能看起来很相像,使得这些手工特征很难应用到复杂的现实环境中。深度学习目前已经成功地应用在计算机视觉的很多领域,如手写字符识别、目标检测、图像分类、人脸识别等,在行人重识别领域也有一定的研究。本文采用深度学习方法对行人重识别进行研究,主要研究内容包括:1、基于卷积神经网络中的分类模型的行人重识别研究。不同于常用的相似性度量中的对比损失和三重损失函数,我们用SoftMax损失训练网络。首先对ImageNet数据库上预训练好的AlexNet用行人数据库进行微调(Fine-Tuning),用该网络提取行人特征,并采用目前效果较好的度量学习方法进行识别。其次设计了一个行人分类专用的卷积神经网络,用于提取行人特征,然后用度量学习算法进行行人重识别。2、提出了一种改进的Siamese结构的基于深度卷积神经网络的行人重识别模型。训练时结合了分类和相似性度量,从而增大类间距离,缩小类内距离,提取出行人的有效特征,然后再进一步用度量学习算法进行相似度度量。本文在三个公开的行人重识别数据集上进行实验,采用累积匹配特征(Cumulative Matching Characteristic,CMC)曲线对实验结果进行验证,与其他行人重识别算法进行对比试验,我们的模型优于大部分现有模型。