Single-shot和multi-shot場景下的行人再識別算法研究.pdf

1、隨著人們對社會公共安全的重視不斷地提高，視頻監(jiān)控系統(tǒng)被部署在了各大公共場所，為社會治安穩(wěn)定提供了技術保障。在視頻監(jiān)控網(wǎng)絡中，行人是最受關注的重點之一。針對特定行人的檢索，尤其是無重疊視野下的行人檢索問題，即行人再識別問題，是當前安防領域中重要的研究課題。因此，設計一種識別效率高且具有魯棒性的行人再識別方法具有非常高的理論價值和應用價值。
　　本文根據(jù)行人再識別中兩個不同的研究場景，分別提出了兩種方法，來解決行人再識別跨場景下的問題

2、。本文的主要研究內容如下：
　?。?）針對single-shot場景，本文提出了一種結合語義屬性和身體區(qū)域的行人再識別算法。傳統(tǒng)的大部分方法都是通過學習一個全局的排序模型和通過整張圖片的信息來進行匹配查找，這忽視了每個個體的獨特性和各個身體部分對于行人再識別的貢獻存在一定的差異，本文針對這個問題進行算法設計。首先，利用SVM進行語義屬性分類器的訓練，進而對每個屬性進行加權。其次，對每個行人的上下半身分別進行支持向量機學習，得到每個

3、半身區(qū)域的分類器。與傳統(tǒng)的針對整個數(shù)據(jù)集的分類器不同，本文為每個個體的每個身體區(qū)域都設計了一個分類器，因此在計算相似距離的時候能夠很好地適配每個個體。然后，分別計算上下半身的距離并進行融合，得出整張圖片的距離，繼而得到相似度排序結果。最后，在基于行人再識別的公共數(shù)據(jù)集VIPeR、QMUL GRID和PRID2011的實驗表明，本文提出的行人再識別算法具有較高的識別準確率。
　　（2）針對multi-shot場景，本文引入AdaBo

4、ost算法，提出一種集成時空特征和基于集合的度量學習的行人再識別算法的框架。主流的研究方向主要有基于集合的時空特征提取和基于集合的度量學習方法，大部分現(xiàn)有的研究方法將關注點集中于其中一個方向，本文通過集成兩個研究方向的算法，充分吸取兩個研究的優(yōu)勢并進行有機結合。提出的算法在PRID2011數(shù)據(jù)集和iLIDS-VID數(shù)據(jù)集上分別進行測試，并與現(xiàn)有的同類方法進行了比較，實驗結果表明第一識別準確率有明顯的提升。
　　本文針對single