面向智慧型視頻監控的行人再辨識方法研究

《面向智慧型視頻監控的行人再辨識方法研究》是依託華僑大學，由朱建清擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：面向智慧型視頻監控的行人再辨識方法研究
• 項目類別：青年科學基金項目
• 項目負責人：朱建清
• 依託單位：華僑大學

項目摘要

行人再辨識，即跨攝像機視域的行人匹配，可以在海量視頻中檢索嫌疑人圖像，是智慧型視頻監控中一項重要分析技術。本項目擬從行人特徵表達、行人相似度度量、行人屬性信息輔助三方面研究行人再辨識。首先，針對不同攝像機視域之間存在光照差異、視角變化影響行人再辨識效果的問題，提出一種具有光照變化、視角變化魯棒性的行人特徵學習方法；其次，針對行人相似度度量學習複雜度高的問題，提出一種高效、低複雜度的行人相似度度量方法；最後，提出一種行人屬性分類和行人再辨識的全面聯合學習，以有效地發揮行人屬性信息對行人再辨識的輔助作用，提升行人再辨識性能。本項目的研究有望提高行人再辨識的準確率，為其在智慧型視頻監控中的實際套用打下基礎，推動行人再辨識研究的發展。

結題摘要

行人再辨識，即跨攝像機視域的行人匹配，可以在海量視頻中檢索嫌疑人圖像，是智慧型視頻監控中一項重要分析技術。項目主要研究工作如下：1、相似度度量模型：深入分析當前基於馬氏距離的相似度度量模型和基於簡單距離（歐式、餘弦距離）的相似度度量模型的優缺點後，為了在馬氏距離和簡單距離中間做出合理地折中，設計出一種混合相似度學習模型，既能挖掘不同特徵維度上的重要性以更好地發揮出所學特徵的鑑別潛能，又能有效地減少相似度量模型的複雜度以降低其對訓練集規模的依賴。此外，進一步研究相似度度量模型，提出了一種歸一化混合相似度度量函式，提高了行人再辨識的準確率。2、深度神經網路結構設計：網路結構的設計對圖像的特徵學習至關重要。針對行人屬性的多標籤分類問題，提出一種多尺度多標籤卷積神經網路，有效地提高了行人屬性分類的準確率。為了降低網路模型複雜度，提出一種簡短且密集連線的卷積神經網路。為了抵抗再辨識過程中圖像成像視角變化帶來的不良影響，提出多方向平均池化操作來構建多方向性深度神經網路。3、手工圖像特徵設計：考慮到手工圖像特徵仍然是目標識別領域不可或缺的特徵，除了探索基於深度學習獲得圖像特徵之外，我們還對手工圖像特徵進行了研究。首先，提出了兩種互補的新型紋理特徵，並結合二維線性鑑別分析（Two-Dimensional Linear Discriminant Analysis, 2DLDA）算法，提高了人臉識別的準確率。再次，採用局部聚合向量(Vector of Locally Aggregated Descriptor，VLAD) 特徵編碼方法對尺度不變特徵變換(Scale-Invariant Feature Transform，SIFT) 進行特徵維度的統一和壓縮，用於對布匹圖像的檢索。