论文部分内容阅读
行人重识别是检索图像或者视频序列中跨摄像头的特定行人的技术,是计算机视觉和模式识别领域的研究热点之一,具有明显的研究价值和技术挑战性,在智能视频监控、智能安保等领域具有重要的应用前景。由于行人的整体特征往往很难获取到具有区分性的局部细节,因此局部特征学习成为现有的行人重识别方法的不可或缺的组成成分。不同于其他大多数的行人重识别方法采用额外的姿态预测或人体分割模型对图像进行局部区域分割,本文提出一种基于多分块局部特征网络的行人重识别方法,不需要使用额外的行人局部特征划分模型,避免引入迁移误差,结构简单且效果显著。本文首先采用大型图像分类数据集ImageNet上预训练好的Resnet-50模型作为骨干网络的一部分,针对骨干网络提取的中间特征进均匀分块、分别训练;充分利用各局部分块所包含的类别信息,鼓励模型自主学习一个有效的局部分块特征表示,不需要额外的数据模型进行人体局部区域划分;基于行人重识别这一特定问题存在的类间相似度大、类内相似小的问题,本文采取在训练区块中进行伪负样本采样提取困难样本以便于网络进行有针对性的学习。同时针对两个输入图像均匀分块可能存在的局部特征分块不匹配的情况,在局部特征维度上进行相似度距离校正,使用最短路径算法代替欧氏距离,动态调整了局部特征之间的相似度距离,宏观上将局部特征分块进行水平对齐。以理论研究和实验平台为基础,本文设计并实现了端到端的行人重识别学习器,并进行了对比实验和模型分析。在包括Market-1501,DukeMTMC-reid和CUHK03在内的主流行人重识别数据集上实施的实验结果表明,本文提出的方法优于大部分现有的行人重识别方法。本文同时采用多组对比实验验证各模型参数对行人重识别性能的影响,实验结果表明:多分块的局部特征结构在原始骨干模型的基础上对行人重识别的精度有较好的提升,同时最短路径的度量学习算法在多分块的局部特征基础上对模型性能有进一步提升;针对多分块局部特征结构的分块数n对行人重识别的性能mAP和Rank-1的影响,折线图体现出mAP和Rank-1随着分块数n先递增后下降,在n=6时达到最高;针对不同的骨干网络展开对比实验,综合性能和计算成本考虑,本文选择ResNet-50作为基础骨干网络;综上所述,实验与测评结果验证了本文提出的基于多分块局部特征的行人重识别方法的有效性和优越性。