基于matching-CNN的行人再識別.pdf

1、隨著智慧城市建設的不斷推進，信息技術扮演著越來越重要的角色。智能視頻監(jiān)控作為智慧城市中安全防范系統(tǒng)的重要組成部分，正越來越被大眾所關注。行人再識別技術作為智能視頻監(jiān)控系統(tǒng)重要的環(huán)節(jié)，已經(jīng)逐漸引起了研究人員的興趣。然而由于這一問題本身的復雜性，目前的解決方案還非常不成熟。如何有效解決行人圖片分辨率變化大，拍攝角度不統(tǒng)一，光照條件差，環(huán)境變化大，行人姿態(tài)不斷變化這些問題，提高行人再識別的性能，將算法推進到應用實際生活中還需要很多努力。

2、>　　本文圍繞基于matching-CNN的行人再識別問題提出了三個改進方案。針對一般所獲得的行人特征表示難以有效區(qū)分匹配對和非匹配的問題，本文提出了一種通過特征增強的方法大大提高了行人再識別的匹配率。針對當前研宄方案都未能完全利用行人圖片的底層視覺特征的問題，本文又提出了將HSV顏色特征和LBP紋理特征，在利用特征增強后進行有效結合的方法。由于當前研宄行人再識別問題所用到的公開數(shù)據(jù)庫數(shù)據(jù)量都相當少，而人工制作、標注大規(guī)模的專用數(shù)據(jù)庫又

3、是一個非常繁重的過程，本文提取了利用海量無標簽、非結構化的網(wǎng)絡視頻對模型進行進一步調(diào)整的方法，有效地利用了大量數(shù)據(jù)資源中所包含的隱藏信息。本文所做的三部分工作如下：
　　1.通過在傳統(tǒng)的網(wǎng)絡模型中引入特征增強的思想，利用三元組作為網(wǎng)絡的訓練樣本，在卷積神經(jīng)網(wǎng)絡已經(jīng)提取到的很好的低層特征表示的基礎上，再將低層特征圖做像素級的疊加，對匹配對和非匹配對同時進行特征增強，在不斷地迭代學習中使得匹配對的特征向量的能量更加集中，而非匹配對的特

4、征向量的能量更加分散，從而達到在特征空間拉大匹配對度量值和非匹配對度量值的距離。特征增強能夠過濾掉無關緊要的細節(jié)而保留了行人再識別所需要的關鍵特征。
　　2.顏色特征和紋理特征是圖像所特有的兩個關鍵的低層視覺特征，一般的網(wǎng)絡都只是利用到了 RGB顏色特征，沒有充分挖掘原始圖像的信息。通過從原始樣本的RGB顏色特征得到其HSV顏色特征圖和LBP紋理特征圖，將HSV顏色特征和LBP紋理特征同時輸入到卷積神經(jīng)網(wǎng)絡中，利用機器學習強大的特

5、征融合的特性，將這兩個關鍵特征的高層表示在網(wǎng)絡中進行組合，得到包含顏色特征和紋理特征的混合特征向量能有效提升算法的性能。
　　3.由于行人再識別的訓練數(shù)據(jù)獲取困難，常常是研究人員安排特定場景后人工設計，然后經(jīng)過大量的、枯燥繁重的人工挑選、標注而得到的數(shù)據(jù)，而且這方面的公開數(shù)據(jù)庫的樣本量都是非常有限的。通過從海量的視頻數(shù)據(jù)中提取到大量的行人樣本，對提取到的樣本進行粗略的自動歸類整理，然后利用這些整理后的數(shù)據(jù)對已經(jīng)訓練好的模型進行再一