完美论文网提供代写毕业论文、代写本科论文、代写硕士论文、论文发表及查重服务!QQ:505676555

电话:18796337551
当前位置:完美论文网信息系统 → 文章正文

《基于字典学习和KE-T-TwinSVM分类的行人重识别》的选题背景与研究现状

作者:完美论文网  来源:www.wmlunwen.com  发布时间:2019/3/19 11:40:25  

摘要:非重叠视域多摄像机监控网络中行人重识别与目标关联的研究是目前国内外学者研究的热点之一。行人重识别是在不同摄像场景下,利用计算机视觉的相关理论,通过训练得到匹配模型,将同一个行人进行匹配,进而实现行人的持续跟踪。然而目前行人重识别问题仍然存在各种各样的困难,例如行人图像的角度变化、光照变化、遮挡问题等。本文将对《基于字典学习和KE-T-TwinSVM分类的行人重识别》的选题背景及意义与国内外研究现状进行探讨。

关键词:行人重识别 选题背景 选题意义 研究现状

1课题研究背景及意义

构建安全稳定和谐的社会一直是人类不懈追求的目标,党的十九大提出了要全面建成小康社会的目标。随着社会的发展,工业水平提高,视频监控设备以及储存设备成本降低,行人重识别技术日益成熟,视频监控系统在各行各业得到大量应用:交通行业,金融行业,工业领域,军事机密等,为社会稳定安全做出了巨大的贡献。出于安全的需要,监控系统变得越来越庞大,产生的视频数量与日俱增,而在此基础上的行人重识别和目标跟踪已成为国内外研究的重点和难点问题,行人重识别是在非重叠的摄像机拓扑网络结构下,将所拍摄得到的行人图像实现相同行人的正确匹配,从而对视频图像中同一行人的持续跟踪,它的主要应用场景有:

1.企业工厂:对工厂全方位进行有效的监控,防止发生安全事故或者产品生产事故,以及能及时发现处理出现的各种问题,有效减少问题带来的财产损失和人员受伤,同时远程监控提高减少人力成本,提高效率。

2.银行部门:银行柜台视频监控能够提醒安保人员对可疑人员及可疑行为进行密切关注,有效帮助执法人员对抢劫、诈骗等违法行为进行取证。保护自动柜员机(ATM),防止窃取ATM中的金钱等。

3.交通部门:对公路、车站、机场、校区、医院、商场等区域进出的车辆及人流进行实时的监控,主要对通过的车辆及行人是否有违反法规行为发生,助力“平安城市”更好的发展。

4.公安部门:对城市里发生打架斗殴、损坏店铺门窗及入室打劫等不法行为进行智能化的分析,获取到视频流中异常行为,提醒执法的公安人员,从而有可能防范于而然或者及时处理不良后果。

2国内外研究现状

行人重识别问题目前仍然面临着诸多问题,例如行人的光照、角度、姿势不同以及分辨率低和遮挡等问题,对识别效率都有较大的影响。传统的行人重识别问题常用的解决方法主要分为两类:基于特征设计的方法[1-4]与基于模型建立的方法[5-14]。前者主要侧重于设计较鲁棒的特征,使得能够利用简单的分类方法就能获得较好的识别效果。而后者主要侧重建立泛化性好的算法模型,该方法对特征要求不高,甚至简单的直方图统计特征也能获得较好的识别效果。常见的基于模型的算法主要有度量学习[5-8]、字典学习[9-11]、多任务学习[12-14]等。而近几年,基于深度学习的算法[15-17]也得到了广泛的应用,不管是利用深度学习所提取的特征还是直接使用深度学习所设计的端到端的算法,都能获得很好的效果。但深度学习固有的一些缺点,譬如需要大样本的支撑,训练时间久,参数多等问题,使得研究一些非深度学习的仍然具有实际意义。

近些年涌现了大量关于度量学习的行人重识别方法,并在一定条件下获得了较好的实验效果。2012年,Kostinger等人[5]提出了基于简单直接的度量学习算法(KISSME, Keep It Simple and Straightforward MEtric),该算法通过统计推断的方法直接学习出相似性度量矩阵,在某些数据集上能够获得较好的识别效果;2013年,zheng等人[7]提出了相对距离比较算法(RDC, Relative Distance Comparison),该算法主要利用逻辑回归的思想,并引入迭代投影向量优化思想,起到了降维的效果;2016年,齐等人[18]在KISSME算法的基础上引入了核学习的思想,有效的解决了由于非线性特征空间带来的识别效率差的问题。但是基于度量学习的算法都是基于有监督学习的算法,其在实际应用中需要大量样本标签,因此不利于算法的推广。

而无监督学习中,字典学习在近些年得到了广泛的应用。在行人重识别领域同样出现了大量相关算法,并且取得了较好的效果。2015年,Karanam等人[10]等人提出了学习视角不变的字典用于行人重识别,其针对不同视角下学习共同字典,使得该字典具有视角不变性与判别性。2016年,Kodirov等人[11]提出了基于图正则化的稀疏学习来实现行人重识别,获得了较好的效果。

随着深度学习概念的提出,深度神经网络的应用得到进一步开发。大量的视频监控设备提供了海量的数据,为深度神经网络在人工智能方面的应用提供了广阔的前景,近些年该领域的相关学者所做的工作中均已获得非常好的效果[19]。通过深度学习获得到的特征能够更有效的提高行人识别的效率。但是,目前深度学习在该领域也有一些困难,比如现有公共数据集的样本数较少,训练网络需要许多技巧,训练时间久等问题。

参考文献

[1]   Zhao Rui, Ouyang Wanli, Wang Xiaogang. Unsupervised salience learning for person re-identification[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2013:3586-3593.

[2]   Ding Shengyong, Lin Liang, Wang Guangrun, et al. Deep feature learning with relative distance comparison for person re-identification[J]. Pattern Recognition, 2015, 48(10):2993-3003.

[3]   Liu Kan, Ma Bingpeng, Zhang Wei, et al. A spatio-temporal appearance representation for video-based pedestrian re-identification[C]. IEEE International Conference on Computer Vision, 2015:3810-3818.

[4]   彭志勇, 常发亮, 刘洪彬,等. 基于HSV模型和特征点匹配的行人重识别算法[J]. 光电子·激光, 2015(8):1575-1582.

[5]   Roth P M, Wohlhart P, Hirzer M, et al. Large scale metric learning from equivalence constraints[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2012:2288-2295.

[6]   Pedagadi S, Orwell J, Velastin S, et al. Local fisher discriminant analysis for pedestrian re-identification[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2013:3318-3325.

[7]   Zheng Weishi, Gong Shaogang, Xiang Tao. Reidentification by relative distance comparison[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2013, 35(3):653-668.

[8]   Chen Jiaxin, Zhang Zhaoxiang, Wang Yunhong. Relevance metric learning for person re-identification by exploiting global similarities[C]. International Conference on Pattern Recognition, 2014:1657-1662.

联系方式

客服QQ 505676555
客服热线18796337551
网站地址 www.wmlunwen.com
郑重承诺 原创,包修改,包通过!
完美论文网真诚欢迎新老客户的光临与惠顾!