基于机器学习的行人重识别算法研究

发布时间：2024-03-20 21:19

　　随着智慧城市的建设,世界各地的城市都安装了大量高清监控摄像头,产生了大量的监控视频,以及公共安全的需求日益增加,促使了行人重识别技术的发展。本论文主要研究基于重排序的算法和基于视频序列的算法。针对基于重排序的行人重识别研究,首先,本文基于k-倒排编码算法模型,为解决遮挡问题,提高行人重识别模型的泛化能力,本研究使用随机消除做数据增强,并且对特征提取骨干网络的Res Net-50做了改进,提升了特征提取的丰富度。在网络架构中的池化层,同时使用平均池化和最大池化,从而同时保留全局和局部信息。其次,为了使行人重识别研究更接近实际应用场景,本文还研究了基于视频序列的行人重识别。为了提高性能、缓解梯度爆炸问题,本研究使用了一种预热策略来训练网络。为弥补三元组损失的缺陷,使类内更加紧凑,本研究引入了中心缺失,同时为每个类的深层特征学习出一个中心,惩罚深层特征与对应的类中心之间的距离。最后,在实验部分,本文对基于重排序的行人重识别在两个数据集Market-1501、Duke-MTMC上做了对比实验,并分别在Res Net50和Dense Net两个网络架构上对比网络改进带来的性能提升。在Mars数据...

【文章页数】：45 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的背景和意义
        1.1.1 课题的来源
        1.1.2 课题背景及研究的目的和意义
    1.2 行人重识别的国内外研究现状和分析
        1.2.1 相关研究工作
        1.2.2 存在的问题
    1.3 课题的主要研究内容
    1.4 内容安排
第2章 基于重排序的行人重识别研究
    2.1 网络骨干模型分析
        2.1.1 Res Net
        2.1.2 Dense Net
    2.2 k-倒排编码的行人重识别方法研究
        2.2.1 k-倒排编码
        2.2.2 杰卡德距离
    2.3 随机擦除
    2.4 k-倒排编码网络架构改进
    2.5 本章小结
第3章 基于视频序列的行人重识别研究
    3.1 时空高效的非局部视频注意网络
        3.1.1 限制随机抽样
        3.1.2 非局部注意层
    3.2 Warmup学习速率
    3.3 损失函数结构设计
    3.4 本章小结
第4章 实验结果与分析
    4.1 行人重识别常用数据集
    4.2 行人重识别常用性能评价指标
    4.3 基于重排序的行人重识别实验
    4.4 基于视频序列的行人重识别实验
    4.5 本章小结
结论
参考文献
致谢



本文编号：3933319