基于深度學習的行人再識別技術(shù)研究.pdf

1、行人再識別(Person re-identification)技術(shù)是判斷在不同監(jiān)控攝像頭下出現(xiàn)的行人圖像是否屬于同一行人的技術(shù)。面對海量增長的監(jiān)控視頻，利用計算機對監(jiān)控視頻中的行人進行再識別的需求應運而生。然而現(xiàn)存的行人再識別算法主要是在己裁剪好的行人圖片中匹配查找集和候選集，這是不切實際的，行人的框架在現(xiàn)實考慮中不可能直接給定，目標行人需要在整張圖片中被鎖定。
　　目前，深度學習在圖像識別、語音識別、自然語言處理等多個領(lǐng)域取得了

2、優(yōu)異的效果。相比于傳統(tǒng)人工提取特征的方法，深度神經(jīng)網(wǎng)絡通過從數(shù)據(jù)中自動學習到更能表征圖像的特征并進行分類，更具實際意義。
　　將深度學習應用到行人再識別上已經(jīng)成為當前的研究熱點，但是由于目前行人再識別中如圖像分辨率低、遮擋、光照變化等問題使其離實際應用還有很長的距離。本文總結(jié)了目前一些行人檢測及再識別的常用特征、算法以及深度神經(jīng)網(wǎng)絡結(jié)構(gòu)，并進行深入研究和分析。設計了一種針對端到端行人再識別的預訓練網(wǎng)絡模型，該模型結(jié)合了驗證和分類兩

3、種網(wǎng)絡結(jié)構(gòu)，并利用空間池化操作對不同尺度的輸入圖片進行特征歸一化。在此基礎(chǔ)上用性能良好的ResNet-50網(wǎng)絡結(jié)構(gòu)對端到端的行人再識別網(wǎng)絡結(jié)構(gòu)進行改進。之后在eaffe深度學習框架上訓練改進的模型并進行多組實驗，包括預訓練模型的有效性、不同特征維度對網(wǎng)絡模型效果的影響、在不同大小的候選集、低分辨率和遮擋子集下的性能分析，以及與當前比較先進的算法進行對比。實驗結(jié)果證明了本文方法訓練出來的模型能夠?qū)W習到具有較高魯棒性的特征，大幅度提高了行人