导　　师： 周智恒

授予学位： 硕士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 随着监控摄像头广泛使用和监控视频数据急剧增加,人工浏览处理视频费时费力,利用计算机进行自动分析处理监控视频数据的需求应运而生。行人重识别问题是指利用计算机自动识别摄像范围不重叠的监控视频数据中行人,是监控视频数据挖掘一个具有实际价值的应用方向,但该问题需要处理的图像数据涉及多摄像头、多拍摄场景,加之同一行人外观体态变换特点,所以行人重识别问题是更具有挑战性的精细物体分类问题,距离实际落地应用仍有较大差距。本文通过对现阶段行人重识别问题几个研究热点方向的总结,从行人特征提取和距离度量方法两个角度入手研究,主要研究工作如下:1)基于QRNN的局部行人特征提取深度网络模型研究行人重识别是一类精细物体识别问题,局部细节特征的提取更加重要。本文把行人图像沿垂直方向建模为时序信号,将QRNN网络结构改进为双向QRNN提取行人图像局部细节信息,并基于多分类损失函数训练网络结构。实验证明,基于QRNN的局部行人特征提取的深度网络模型能获得良好的实验效果。2)基于多种损失函数联合学习的行人特征提取深度网络模型研究损失函数的选择对基于深度网络结构的行人重识别算法性能具有重要的影响。本文引入多深度网络模型融合策略DML算法解决JLML模型中双分支softmax损失函数预测标签概率不一致的问题,提升深度网络模型特征提取能力。同时对行人重识别算法常用的多种损失函数进行对比分析,针对实验过程中遇到的triplet损失函数训练困难的问题提出了联合多种损失函数阶梯式训练策略。3)基于等距度量学习的行人特征距离度量算法研究行人重识别问题中许多度量学习方法通过定义“间隔”超参数刻画同类样本对和异类样本对之间的距离差异,本文将等距度量学习的思想引入MLAPG算法,解�

关 键 词： 行人重识别 多损失函数联合训练 等距度量学习

领　　域： []