基于深度学习的行人姿态估计与重识别算法研究

发布时间：2022-12-04 19:04

　　随着人工智能技术的快速发展和实际应用的巨大潜力,如何在监控视频中实现对行人的姿态估计和重识别,及时发现和处理行人的异常危险行为并实现对目标人物的检索追踪,从而提高公共场所的安全预警能力,这已经成为了工业界和学术界热门的研究课题之一。传统的以及现有主流的基于深度学习的行人姿态估计算法,在应用到实际监控视频场合中时,都不能满足任务处理的实时性和准确性要求。另外,行人重识别算法更多关注是在对单帧图像以及图像全局特征的研究,应用到实际监控视频中时,不能有效的利用视频序列中包含的信息和应对由行人移动造成的模糊等背景噪声干扰。针对这些问题,本论文重点研究了基于深度学习的行人姿态估计与重识别算法。针对行人姿态估计的研究,本论文提出了基于多任务的行人姿态估计算法,首先将轻量级的基于YOLOv3的行人目标检测网络和基于特征金字塔的行人关键点检测网络合并到一个端到端训练和预测的网络中,实现多任务同时检测,提高了算法运行速度;然后利用检测到的行人目标边界框与关键点,通过姿态残差网络结构学习人体姿态,解决了由于多人边界框重叠导致关键点分类到个体实例上时出现的模糊性问题,能够对关键点进行准确的聚类分组,提高了行... 

【文章页数】：92 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景和意义
    1.2 发展历史和研究现状
        1.2.1 行人姿态估计技术的发展及现状
        1.2.2 行人重识别技术的发展及现状
    1.3 主要研究内容和章节安排
第二章 基于深度学习的行人姿态估计与重识别相关理论
    2.1 深度学习基础理论
        2.1.1 深度学习的基本概念
        2.1.2 全卷积神经网络
        2.1.3 特征金字塔网络
    2.2 目标检测网络原理
        2.2.1 基本概念
        2.2.2 YOLO目标检测算法
    2.3 人体姿态估计网络原理
    2.4 行人重识别系统流程
    2.5 行人姿态估计与重识别数据集
        2.5.1 COCO数据集
        2.5.2 PRID 2011 数据集
        2.5.3 iLIDS-VID数据集
    2.6 行人姿态估计与重识别评价方法
        2.6.1 OKS(Object Keypoint Similarity)
        2.6.2 AP(Average Precision)
    2.7 本章小结
第三章 基于多任务的行人姿态估计算法
    3.1 多任务姿态估计网络结构
        3.1.1 网络整体结构
        3.1.2 主干网络
    3.2 基于特征金字塔的关键点检测子网络
    3.3 基于YOLOv3的行人目标检测子网络
    3.4 姿态残差网络
    3.5 网络训练与预测
        3.5.1 网络训练策略
        3.5.2 关键点数据标签制作
        3.5.3 关键点检测子网络训练策略
        3.5.4 行人目标检测子网络训练策略
        3.5.5 姿态残差网络训练策略
        3.5.6 多任务姿态估计网络预测流程
    3.6 手势姿态估计
    3.7 实验结果与性能分析
        3.7.1 实验设置
        3.7.2 多人姿态估计结果与性能分析
        3.7.3 姿态和手势联合应用
    3.8 本章小结
第四章 基于多维度局部特征聚合的行人重识别算法
    4.1 基于多维度局部特征聚合的行人重识别网络结构
        4.1.1 网络整体结构
        4.1.2 基于多任务的区域建议网络
        4.1.3 图像局部特征生成网络
        4.1.4 图像局部质量评估网络
        4.1.5 特征聚合单元
    4.2 行人重识别网络训练学习方法
        4.2.1 表征学习
        4.2.2 度量学习
    4.3 网络训练
    4.4 实验结果与性能分析
        4.4.1 实验设置
        4.4.2 实验结果与性能分析
    4.5 本章小结
第五章 总结与展望
    5.1 本论文工作总结
    5.2 研究展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]基于不变矩特征和神经网络的步态识别[J]. 谢林海,刘相滨.  微计算机信息. 2007(19)



本文编号：3708821