發(fā)布時間：2024-07-09 03:12

　　行人再識別是公共安全視頻數(shù)據(jù)分析中的一項重要任務(wù),基于圖像的行人再識別旨在通過不同攝像鏡頭所獲取的行人圖像對行人身份進行驗證。這是近年來圖像模式識別領(lǐng)域一個熱點研究問題,具有重要的研究意義和應(yīng)用潛力�；�于圖像的行人再識別現(xiàn)有方法主要考慮特征學習和度量學習,近年來有大量方法被相繼提出。圖像樣本的分布信息對檢索結(jié)果具有重要影響,通過挖掘圖像樣本的分布信息能夠改善檢索結(jié)果;因此,本文系統(tǒng)地研究了面向行人再識別的重排序算法。針對現(xiàn)有的重排序方法所存在的諸多局限性,比如超參數(shù)數(shù)目較多、算法的性能對參數(shù)比較敏感、計算效率較低等方面,本文從樣本的局部密度信息的利用、額外輔助樣本的利用、和聯(lián)合考慮卷積特征學習這三個角度開展了下述創(chuàng)新性工作。1.考慮到對候選集中樣本局部密度信息的有效利用,本文提出一種逆向密度自適應(yīng)核重排序算法(inv-DAKR)。通過引入平滑核函數(shù)和密度自適應(yīng)參數(shù),inv-DAKR解決了逆向重排序算法中對模糊性的保留問題。在六個數(shù)據(jù)集上的實驗驗證了 inv-DAKR算法的有效性與計算效率。2.為了綜合考慮查詢樣本在候選集中的局部密度信息和候選集中樣本局部密度信息,本文提出一種雙向密度自...

【文章頁數(shù)】：170 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
符號說明
第一章 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
    1.3 論文研究內(nèi)容和創(chuàng)新點
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)研究綜述
    2.1 特征提取
        2.1.1 屬性特征提取算法
        2.1.2 組合特征提取算法
        2.1.3 層次化特征提取算法
    2.2 度量學習
        2.2.1 基于動態(tài)規(guī)劃的度量學習
        2.2.2 基于最大似然估計的度量學習
        2.2.3 基于線性判別分析的度量學習
    2.3 重排序算法
        2.3.1 基于用戶反饋的重排序算法
        2.3.2 基于候選集流形結(jié)構(gòu)的重排序算法
        2.3.3 基于樣本的近鄰信息挖掘的重排序算法
    2.4 深度卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 基礎(chǔ)操作
        2.4.2 損失函數(shù)
        2.4.3 優(yōu)化算法
    2.5 常用基準數(shù)據(jù)集
        2.5.1 GRID
        2.5.2 VIPeR
        2.5.3 PRID450s
        2.5.4 CUHK03
        2.5.5 Market-1501
        2.5.6 Mars
        2.5.7 DukeMTMC-ReID
    2.6 本章小結(jié)
第三章 逆向密度自適應(yīng)核重排序算法
    3.1 引言
    3.2 相關(guān)研究工作與本章貢獻
        3.2.1 相關(guān)研究工作
        3.2.2 本章貢獻
    3.3 問題陳述與算法設(shè)計
        3.3.1 基本的k最近鄰的算法
        3.3.2 基于逆向k近鄰的重排序算法
        3.3.3 密度自適應(yīng)核函數(shù)
        3.3.4 逆向密度自適應(yīng)核重排序算法
    3.4 實驗結(jié)果評估
        3.4.1 實驗配置
        3.4.2 對inv-DAKR在完美單樣本匹配數(shù)據(jù)集上的評估
        3.4.3 對inv-DAKR在非完美單樣本匹配數(shù)據(jù)集上的評估
        3.4.4 對inv-DAKR在多樣本匹配數(shù)據(jù)集上的評估
        3.4.5 時間復(fù)雜度的對比和超參數(shù)k的檢驗
    3.5 本章小結(jié)
第四章 雙向密度自適應(yīng)核重排序算法
    4.1 引言
    4.2 相關(guān)研究工作與本章貢獻
        4.2.1 相關(guān)研究工作
        4.2.2 本章貢獻
    4.3 基本的雙向重排序算法k-RNN
    4.4 雙向密度自適應(yīng)核重排序算法的設(shè)計
    4.5 實驗評估
        4.5.1 實驗配置
        4.5.2 對bi-DAKR在完美單樣本匹配數(shù)據(jù)集上的評估
        4.5.3 對bi-DAKR在非完美單樣本匹配數(shù)據(jù)集上的評估
        4.5.4 對bi-DAKR在多樣本匹配數(shù)據(jù)集上的評估
        4.5.5 時間復(fù)雜度的對比和超參數(shù)k的檢驗
    4.6 本章小結(jié)
第五章 融合額外樣本信息的高效重排序算法
    5.1 引言
    5.2 相關(guān)研究工作與本章貢獻
        5.2.1 相關(guān)研究工作
        5.2.2 本章貢獻
    5.3 k-INN+與k-RNN+
    5.4 inv-DAKR+與bi-DAKR+
    5.5 實驗評估
        5.5.1 實驗配置
        5.5.2 完美單樣本匹配場景下實驗結(jié)果的分析與討論
        5.5.3 非完美單樣本匹配場景下實驗結(jié)果的分析與討論
        5.5.4 多樣本匹配場景下實驗結(jié)果的分析與討論
    5.6 本章小結(jié)
第六章 基于雙重隨機游走和標簽平滑的度量學習模型
    6.1 引言
    6.2 相關(guān)研究工作與本章貢獻
        6.2.1 相關(guān)研究工作
        6.2.2 本章貢獻
    6.3 本文的模型
        6.3.1 傳統(tǒng)的隨機游走模型
        6.3.2 GSDRWLS模型
    6.4 實驗
        6.4.1 數(shù)據(jù)集與實驗配置
        6.4.2 參數(shù)和實現(xiàn)細節(jié)
        6.4.3 性能評估
        6.4.4 與先進算法的對比
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 論文工作總結(jié)
    7.2 未來研究展望
參考文獻
致謝
攻讀博士期間發(fā)表論文



本文編號：4004301