DGD卷积神经网络行人重识别

行人重识别在视频监控领域是一个非常具有挑战性的问题,不同的摄像头位置角度、光照等因素会使同一行人的图像差异较大.文章提出一种DGD(Domain Guided Dropout)卷积神经网络(CNN)与样本相对距离结合的行人重识别算法:首先,通过卷积神经网络来提取来自多个域的数据中具有一般性及鲁棒性的特征;其次,通过计算各个特征样本之间的相对距离来筛选出更具有一般性及鲁棒性的特征;最后,比较筛选出的特征间的欧氏距离进行重识别.实验结果表明,该算法能够提高行人重识别的效率.     

基于风格迁移及度量融合的行人再识别研究

行人再识别是跨场景跨时间的行人图像匹配问题.锁定的目标从一个摄像头下消失后,在其它摄像头视角下再出现时,系统仍能够依据其特征重新锁定.目前该问题遇到的挑战主要来自光照、背景、行人姿态等变化造成的影响.此外,在与训练集不同的数据集上进行测试时性能严重下降,且对大量的数据进行标注的成本非常高.本文采用风格迁移和度量融合的方法:首先,采用循环对抗生成网络将一个数据集中带标签的数据图像风格转换到另一个无标签的数据集上;然后,在风格转换后的数据图像上进行训练,并采用直接度量和间接度量相结合的方式进行相似度度量;最后,在无标签数据集上测试,并将行人图像按相似度由高到低排列输出.实验结果表明:本文方法可明显提高跨数据集的行人再识别准确度.     

基于局部最大概率特征和映射模型学习的行人再识别

进行了行人再识别研究。针对行人自身差异和相机视域差异的存在导致再识别率低的问题,提出了一种基于局部最大概率特征和映射模型学习的行人再识别算法。该算法首先对行人图像提取局部最大概率特征,克服光照变化并提取图像的完整信息;然后学习交叉映射模型,利用学习好的模型进行行人特征变换,从而消除不同摄像机拍摄区域的特征差异;最后进行距离度量和排序。实验表明,该算法合理有效,能够获得较为完整的判别性特征表示,成功地提高了行人再识别的匹配精度。     

一种基于粒子滤波的任意姿态头部椭圆轮廓跟踪方法

结合粒子滤波思想,给出了一种适用于复杂背景和较远距离下跟踪任意姿态人体头部椭圆轮廓的方法.该方法采用双重随机采样策略,即在预测值附近通过均匀采样产生初始粒子以保证其多样性,在权值更新后对具有较高权值的粒子进行高斯采样以保证重采样过程的快速收敛性.在权值更新过程中,利用分块颜色直方图实现模板椭圆同粒子椭圆之间的颜色匹配,利用最大梯度距离测度(DMG)对粒子椭圆的边缘拟合程度进行度量,最后利用D-S证据思想对上述两种测度进行融合.实验结果不仅验证了此方法对于复杂背景和人体头部的任意姿态具有较强的鲁棒性和有效性,而且证实,此方法也适用于相对较远的距离范围.     

基于注意力和标签自适应的跨域行人重识别

针对现有的大多数行人重识别算法都依赖于监督训练,而监督训练中人工标注的数据需要昂贵的资源开销从而限制了其在新场景中拓展应用的问题,提出了基于注意力和标签自适应的跨域行人重识别方法.该方法首先对深度卷积神经网络(DCNN)中不同深度的特征层嵌入注意力机制和BNNeck模块,增强模型在不同数据集下对行人的特征表示能力;其次...     

基于多层深度特征融合的行人再识别研究

本文采用多层深度特征融合方法,首先,利用经典卷积神经网络对行人图像进行处理;然后,对卷积神经网络每一层得到的特征进行PCA降维,保留其主要成分,并将各层降维后的特征进行融合;最后,基于欧氏距离判断待查询行人与图像库中各行人的相似性,得到再识别结果.实验结果表明,与已有的行人再识别方法相比,本文方法准确率更高.     

融合注意力机制与全局特征网络的行人重识别算法研究

行人重识别是近年来计算机视觉领域的研究热点,已被广泛应用在智能视频监控、安保系统等多个领域。但在实际应用场景中,图像数据会受到摄像机差异、物体遮挡、行人姿态视角改变等因素的影响,因此,克服以上问题成为了当前行人重识别研究所关注的重点问题。对于行人重识别方法在面对遮挡和复杂背景应用场景下的干扰信息影响精度的问题,提出了引入空间注意力机制,对拓扑关系遮挡行人重识别算法的全局特征提取网络进行改进,将基于空间注意力的特征提取网络与拓扑关系遮挡行人重识别算法中的作为Backbone网络的RestNet50进行优化改进。在公开的Occluded-Duke数据集和Market-1501数据集上进行测试,实验结果显示改进算法的评价指标有明显提升。     

基于单样本学习的多特征人体姿态模型识别研究

随着人机交互、虚拟现实等相关领域的发展,人体姿态识别已经成为热门研究课题。由于人体属于非刚性模型,具有时变性的特点,导致识别的准确性和鲁棒性不理想。本文基于KinectV2体感摄像头采集的骨骼信息,结合人体角度和距离特征,提出了一种基于单样本学习的模型匹配方法。首先,通过对采集的骨骼信息进行特征提取,计算关节点向量夹角和关节点的位移并设定阈值,其次待测姿态与模板姿态进行匹配计算,满足阈值限定范围则识别成功。实验结果表明,该方法能够实时的检测和识别阈值限定范围内定义的人体姿态,提高了识别的准确性和鲁棒性。     

基于新核函数的支持向量机在物体分类中的应用

在基于视的物体识别中,将图像的局部信息引入到图像的相似性度量,提出了一种新的图像距离度量,并把它嵌入到支持向量机的核函数中,得到了一种新的核函数--基于局部卡方距离(Chi-square distance)的核函数.物体分类实验结果表明,新算法优于非线性支持向量机,区别张量一阶分解(DTROD),稀疏网络模型(SNW)等方法.     

基于光流引导特征的视频行人再识别方法

视频行人再识别的主要任务是基于视频序列判断由不同摄像机捕获的行人是否为同一身份.当前的视频行人再识别方法大都需要提前手动提取光流图来计算行人的运动特征.为了简化网络结构,减少计算量,提出了一种基于光流引导特征的视频行人再识别方法.首先使用卷积神经网络提取行人图像的深度特征,并根据深度特征图计算光流引导特征来描述行人运动信息;然后联合行人空间外观特征与时间运动特征,获得视频级的行人特征描述矢量;最后计算特征描述矢量之间的欧式距离,判定两段图像序列中的行人是否为同一身份.在数据集iLIDS-VID、PRID2011上进行实验,结果表明该方法具有较高的识别率.