基于时空约束的行人重识别方法开题报告

 2020-02-10 11:02
1.目的及意义(含国内外的研究现状分析)

1.1项目目的及意义

随着科技的高速发展,计算机视觉和图像处理得到了很大的发展并被广泛应用于各个领域。摄像头的出现为人们减轻了不少负担,但是如果安全问题出现还是需要人为的翻看录像寻找可疑人物,这需要耗费极大的人力;行人重识别技术的出现可以减轻人们的工作负担,给人们带来了的希望。

行人重识别(Person Re-identification),简称为Re-ID,是一种使用计算机视觉技术来判定目标行人是否存在于图像或者视频序列中的技术。Re-ID 可以作为人脸识别技术的补充技术,能够在人脸无法识别或无法正确识别的情况下对行人整体进行跨摄像头下的连续追踪,以增强图像数据的时空连续性。

行人重识别技术主要应用在一些智能安全相关的场景。比如,给定犯罪嫌疑人的图像并通过其来查找不同摄像头下该嫌疑人的出现情况来判断其逃跑的路径或方向,然后锁定嫌疑人的活动范围。还可以应用在智能商业、相册分类、人机交互等方面。该技术能够根据其穿衣打扮、体态动作、发型装饰等特征信息从不同摄像机镜头下识别目标行人,如果将其与人脸识别相结合则能够得到更好的应用,识别的准确率也会大大提高。但是摄像头拍摄的目标行人图像总是姿态各异,往往缺少面部信息,因此有时仅能依靠Re-ID来寻找特定目标。

目前摄像头的清晰度问题已经得到了很大的改善,图像分辨率已经不是Re-ID的难点之一。但是视角变化、光线变化、姿态的改变、配饰及遮挡物仍然是目前的技术难点,行人重识别技术还在不断改进优化中。

1.2国内外研究现状

行人重识别的研究起始于二十世纪九十年代中期。研究者们借鉴、运用了一些图像处理、模式识别领域的成熟方法,重点关注了行人的可用特征和分类算法,逐渐使得行人重识别技术从一开始的陌生走向成熟。从2014 年开始,行人重识别技相关的数据集规模越来越大,基于深度学习框架的算法运用也越来越广泛。随着高校、研究所以及一些厂商的研究持续深入,行人重识别技术得到了迅速的发展。

(一)国外研究现状

1997年,Jobson等人基于人类视网膜理论基础,实现了同步动态范围压缩、颜色一致性和亮度再现,摄像机下的图像往往与人眼观察到有所差距,他们通过适度稀释颜色一致性为代价来进行颜色恢复,为之后的特征提取工作提供了一种有说服力的方法[1]

2002年Eric和Michael等提出了以马氏距离为基础的度量学习算法,根据行人标签,将具有相同ID的两个图像组成正样本对,反之组成负样本对,并根据这一约束对数据集进行训练得到一个马氏矩阵,这样的距离度量变换使得同一行人不同图像之间的特征距离继续缩小,而不同行人不同图像之间的特征距离继续增大,从此以后基于度量学习的行人重识别算法引起了人们的强力关注,有许多基于度量学习的算法慢慢被提出[2]

2008年Gray和Tao提出了使用AdaBoost的方法,构建了仅适用于行人图像比较的似然比检验的加权集合的相似度函数,从颜色以及纹理这两个特征通道中进行特征提取并选择出描述力更好的特征[3]

2009年Richard等人介绍了一个名为“ImageNet”的新数据库,这是一个建立在WordNet结构主干上的大规模图像本体,通过对象识别,图像分类和自动对象聚类这三个简单应用来说明ImageNet的有用性,为研究人员提供了新的尝试[4]

2010年Farenzena等人提出了一种基于外貌特征的行人重识别方法,采用局部特征对称积累(SDALF)的方法实现在低分辨率、遮挡姿势、视点和照明变化的图像中具有很好的鲁棒性[5]。Engel和Baumgartner等将行人重识别问题看作是排序问题,将其中潜在的真实匹配赋予最高的相似度,提出了一种Ensemble RankSVM,可显著降低内存使用量,在保持性能的同时拥有更高的可扩展性[6]

2011年Tao和Zheng将行人重识别看作为一种远程学习问题,旨在学习最大化距离,无论选择何种表示,都能最大化匹配精度;引入了一种新的概率相对距离比较(PRDC)模型,该模型与大多数现有的远程学习方法的不同之处在于,它不是最小化类内变异同时最大化类内变异,而是使得一对真正的匹配概率最大化,其距离小于错误的匹配对[7]

2016年Alexander等人在其文章中讨论了行人重识别的历史及其与图像分类和实例检索的关系并广泛调查了基于图像和视频的re-id的方法[8]

您需要先支付 5元 才能查看全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找,微信号:bysjorg 、QQ号:3236353895;