论文部分内容阅读
近年来,计算机视觉技术在实际场景中得到了广泛应用,其中在图像领域中的应用尤为广泛。行人重识别(Person Re-identification)是指在非重叠视角域多摄像头网络下进行的行人匹配,即如何确认不同位置的摄像头在不同时刻发现的行人目标是否为同一人。如何提取鲁棒的行人特征是如今行人重识别领域研究的难点和热点问题。行人重识别是一项解决在跨摄像头网络下行人身份识别问题的技术,在教师身份识别中具有良好的应用价值。教师身份识别系统可以识别出授课教师身份,在教学管理领域中应用广泛。但是,目前多数教师身份识别系统仅仅通过多媒体设备识别或通过人工观察监控图像输出具体某位教师授课行为信息,需要较高的人工成本,且效率低下。因此,本文将对基于局部特征的行人重识别技术进行研究,并将其应用到多媒体教师身份识别系统当中。具体工作如下:(1)提出了一个基于局部特征的融合网络。该网络能够从输入的教师像块中提取更加鲁棒的特征。本文选取合适的姿态估计方法并结合特征融合网络,设计了一个鲁棒的局部特征网络。由于教室环境相对复杂,光照强度的变化、摄像角度的不同、复杂的背景环境和教师的动作、着装等,都会造成较大的视觉差异。为了避免背景噪声以及部件对齐问题造成的误差,本文使用局部特征作为特征表达,并提出了一个基于局部特征的网络,此网络可以弱化各种噪声带来的影响。(2)将目标检测算法引入到行人重识别系统当中。该方法利用基于卷积神经网络的目标检测算法yolov3(you only look once)对图像进行目标检测,提取出目标教师像块,排除无关背景噪声干扰。由于教室中的监控图像掺杂了大量随机噪声,网络的训练和测试过程中不可避免的产生各种噪声因素,这些噪声可能会影响到特征的选择和提取,而目标检测算法能够识别和定位待检测的目标教师,可以有效地弱化背景噪声对特征选择和提取带来的影响。(3)建立了一个基于本校多媒体教学资源的教师数据集。该数据集主要用于局部特征网络的训练和测试。数据集图像通过学校多媒体教室中的监控摄像头进行采集,数据集标注工作由八位志愿者共同标注完成。相比于图像分类、人脸检测等其他研究方向的几十个大型开源数据集,行人重识别领域的数据集资源显得十分匮乏。而且本文将行人重识别技术应用到多媒体教室这种特殊环境中,普通的数据集并不适用于本文中局部特征网络的训练和测试。因此,本研究利用多媒体教室中几个不同角度、不同教室的监控摄像头,采集教师在不同教室环境下的不同角度、不同姿态的图像,制作成真实数据集。利用此真实数据集能够更好的训练本文中的局部特征网络,同时实验测试结果也相对更加准确。(4)综上所述,本文设计了一个基于行人重识别的多媒体教师身份识别系统。该系统结合行人重识别技术与教师身份识别技术区分教师具体授课行为信息,并对识别系统中各项数据进行了分类汇总。系统主要功能模块包括:多媒体使用情况采集模块、ReID模块、多媒体使用识别模块、多媒体教学数据管理模块、识别信息采集模块、一卡通身份识别模块、教师授课判别模块、教学图像采集模块、教师身份识别结果输出模块。相比于其他设计方案,在系统效率性上通过将行人重识别技术与教师身份识别技术相结合,提高了系统识别准确度;在系统功能性上增加了数据管理功能,生成不同类型汇总表,方便管理人员更加便捷管理教学数据。