發(fā)布時(shí)間：2018-06-16 19:22

  本文選題：人體目標(biāo)再識別 + 度量學(xué)習(xí)�。� 參考：《中國圖象圖形學(xué)報(bào)》2017年04期

【摘要】：目的人體目標(biāo)再識別的任務(wù)是匹配不同攝像機(jī)在不同時(shí)間、地點(diǎn)拍攝的人體目標(biāo)。受光照條件、背景、遮擋、視角和姿態(tài)等因素影響,不同攝相機(jī)下的同一目標(biāo)表觀差異較大。目前研究主要集中在特征表示和度量學(xué)習(xí)兩方面。很多度量學(xué)習(xí)方法在人體目標(biāo)再識別問題上了取得了較好的效果,但對于多樣化的數(shù)據(jù)集,單一的全局度量很難適應(yīng)差異化的特征。對此,有研究者提出了局部度量學(xué)習(xí),但這些方法通常需要求解復(fù)雜的凸優(yōu)化問題,計(jì)算繁瑣。方法利用局部度量學(xué)習(xí)思想,結(jié)合近幾年提出的XQDA(cross-view quadratic discriminant analysis)和MLAPG(metric learning by accelerated proximal gradient)等全局度量學(xué)習(xí)方法,提出了一種整合全局和局部度量學(xué)習(xí)框架。利用高斯混合模型對訓(xùn)練樣本進(jìn)行聚類,在每個(gè)聚類內(nèi)分別進(jìn)行局部度量學(xué)習(xí);同時(shí)在全部訓(xùn)練樣本集上進(jìn)行全局度量學(xué)習(xí)。對于測試樣本,根據(jù)樣本在高斯混合模型各個(gè)成分下的后驗(yàn)概率將局部和全局度量矩陣加權(quán)結(jié)合,作為衡量相似性的依據(jù)。特別地,對于MLAPG算法,利用樣本在各個(gè)高斯成分下的后驗(yàn)概率,改進(jìn)目標(biāo)損失函數(shù)中不同樣本的損失權(quán)重,進(jìn)一步提高該方法的性能。結(jié)果在VIPeR、PRID 450S和QMUL GRID數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果驗(yàn)證了提出的整合全局—局部度量學(xué)習(xí)方法的有效性。相比于XQDA和MLAPG等全局方法,在VIPeR數(shù)據(jù)集上的匹配準(zhǔn)確率提高2.0%左右,在其他數(shù)據(jù)集上的性能也有不同程度的提高。另外,利用不同的特征表示對提出的方法進(jìn)行實(shí)驗(yàn)驗(yàn)證,相比于全局方法,匹配準(zhǔn)確率提高1.3%3.4%左右。結(jié)論有效地整合了全局和局部度量學(xué)習(xí)方法,既能對多種全局度量學(xué)習(xí)算法的性能做出改進(jìn),又能避免局部度量學(xué)習(xí)算法復(fù)雜的計(jì)算過程。實(shí)驗(yàn)結(jié)果表明,對于使用不同的特征表示,提出的整合全局—局部度量學(xué)習(xí)框架均可對全局度量學(xué)習(xí)方法做出改進(jìn)。
[Abstract]:Objective the task of human target recognition is to match the human target taken by different camera at different time and place. Under the influence of illumination conditions, background, occlusion, angle of view and posture, the same target appearance is different under different cameras. At present, the research focuses on two aspects: feature representation and metric learning. Many metric learning methods have achieved good results in the problem of human body target re-recognition, but for a variety of data sets, a single global metric is difficult to adapt to the characteristics of differentiation. Some researchers have proposed local metric learning, but these methods usually need to solve complex convex optimization problems. Methods using the idea of local metric learning and combining the global metric learning methods such as XQDA-cross-view quadratic discriminant analysis) and MLAPGmetric learning by accelerated proximal gradient) proposed in recent years, a framework for integrating global and local metric learning is proposed. The Gao Si hybrid model is used to cluster the training samples, and the local metric learning is carried out in each cluster, and the global metric learning is carried out on all the training sample sets. For the test samples, the local and global measurement matrices are weighted according to the posterior probability of the samples under each component of the Gao Si mixed model as the basis for measuring similarity. In particular, for the MLAPG algorithm, the loss weights of different samples in the target loss function are improved by using the posteriori probability of the samples under each Gao Si component, and the performance of the method is further improved. Results the experimental results on the VIPeRNPRID450S and QMUL-GRID datasets verify the effectiveness of the proposed integrated global-local metric learning method. Compared with the global methods such as XQDA and MLAPG, the matching accuracy on VIPeR dataset is improved by about 2.0%, and the performance on other datasets is improved to some extent. In addition, the experimental results show that the matching accuracy of the proposed method is about 3.4% higher than that of the global method. Conclusion effective integration of global and local metric learning methods can not only improve the performance of various global metric learning algorithms, but also avoid the complex computing process of local metric learning algorithms. The experimental results show that the proposed integrated global-local metric learning framework can improve the global metric learning method.
【作者單位】： 上海交通大學(xué)自動化系系統(tǒng)控制與信息處理教育部重點(diǎn)實(shí)驗(yàn)室;
【基金】：國家自然科學(xué)基金項(xiàng)目(61273285,61673269,61375019)~~
【分類號】：TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 曾明勇;田暢;吳澤民;付毅;揭斐然;;多通道特征級聯(lián)的人體目標(biāo)再識別[J];軍事通信技術(shù);2013年03期

2 張棉好;;夜間近紅外線視頻監(jiān)控圖像人體目標(biāo)檢測[J];激光雜志;2012年02期

3 林國余;楊彪;張為公;;在非重疊視域監(jiān)控網(wǎng)絡(luò)中的人體目標(biāo)跟蹤(英文)[J];Journal of Southeast University(English Edition);2012年02期

4 鄭蕊;馬志強(qiáng);張曉燕;;體育視頻中人體目標(biāo)的提取[J];科技資訊;2008年05期

5 曹麗武;;視頻圖像序列中人體目標(biāo)的提取與跟蹤[J];計(jì)算機(jī)與數(shù)字工程;2011年03期

6 范彩霞;朱虹;藺廣逢;羅磊;;多特征融合的人體目標(biāo)再識別[J];中國圖象圖形學(xué)報(bào);2013年06期

7 梁英宏;;基于運(yùn)動投影周期性特征的人體目標(biāo)檢測方法[J];計(jì)算機(jī)工程與應(yīng)用;2010年09期

8 汪金禮;王皓;袁寶紅;劉鴻濤;蘇亞輝;尹濤;;紅外視頻監(jiān)控中的人體目標(biāo)檢測[J];測試技術(shù)學(xué)報(bào);2014年01期

9 郭愛波;王宏;鄭興文;李木巖;;激光掃描追蹤人體目標(biāo)位姿的算法研究[J];機(jī)電工程;2014年09期

10 陳亦望;靳秀海;張品;潘育新;;使用微多普勒信息識別偽裝人體目標(biāo)動作的新方法[J];解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

相關(guān)會議論文 前1條

1 孔慶杰;呂曉威;李雄;劉允才;;不同場景圖像中的人體目標(biāo)匹配算法分析[A];第四屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議論文集[C];2008年

相關(guān)博士學(xué)位論文 前8條

1 趙艷娜;基于外觀特征的人體目標(biāo)再識別研究[D];山東大學(xué);2015年

2 王選賀;跨攝像機(jī)多人體目標(biāo)的跟蹤研究[D];浙江大學(xué);2011年

3 王傳旭;視頻圖像中人體目標(biāo)的檢測方法研究[D];中國海洋大學(xué);2007年

4 云廷進(jìn);紅外人體目標(biāo)檢測和跟蹤方法研究[D];重慶大學(xué);2008年

5 項(xiàng)宗杰;人體目標(biāo)的跨視域識別[D];上海交通大學(xué);2013年

6 胡振邦;基于Latent SVM的人體目標(biāo)檢測與跟蹤方法研究[D];中國地質(zhì)大學(xué);2013年

7 李建福;紅外圖像中人體目標(biāo)檢測、跟蹤及其行為識別研究[D];重慶大學(xué);2010年

8 畢勝;人體行為視覺識別中分割方法的研究[D];大連海事大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 許高明;基于SVM的牽引變電站人體入侵檢測的研究[D];西南交通大學(xué);2015年

2 劉金超;超寬帶雷達(dá)人體目標(biāo)檢測與跟蹤[D];國防科學(xué)技術(shù)大學(xué);2014年

3 干敏;夜間紅外線視頻圖像中人體檢測與跟蹤系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

4 蔡師臏;基于Omega形狀特征的人體目標(biāo)檢測[D];電子科技大學(xué);2015年

5 陸晨皓;基于RGB-D的人體運(yùn)動目標(biāo)檢測及其應(yīng)用[D];電子科技大學(xué);2015年

6 許茗;紅外圖像序列中人體目標(biāo)檢測與跟蹤算法研究[D];東北大學(xué);2014年

7 宋亞玲;基于外貌特征的目標(biāo)再識別[D];中國民航大學(xué);2016年

8 劉永敬;用于人體目標(biāo)感知與定位的被動式雙紅外探測系統(tǒng)研究[D];天津大學(xué);2014年

9 李令建;基于圖像顯著性和詞袋模型的人體目標(biāo)再識別研究[D];西安電子科技大學(xué);2015年

10 禹明娟;基于視頻的室內(nèi)老人摔倒檢測研究[D];杭州電子科技大學(xué);2016年

，

本文編號：2027835