论文部分内容阅读
行人重识别（Penson Re-Identification,Re ID）旨在应用计算机视觉技术,从不同地点位置的非交叉摄像头监控系统中自动匹配出与查询图像具有相同身份的行人图像。近年来,由于深度学习技术在计算机视觉领域获得重大突破,基于深度学习的行人重识别技术被广泛应用到视频分析、智能安防、刑侦取证和智慧城市等许多领域。现实场景中,具有相同身份的行人图像常因拍摄环境变化、视角变化、行人位姿变化以及局部遮挡等问题,在特征匹配时未能特征对齐从而导致匹配相似度低,进而导致匹配错误。因此,研究出一个有效的行人特征对齐方法仍然是一个具有挑战性的课题。本文基于深度学习技术,针对基于位姿变化的特征对齐行人重识别和基于局部遮挡的特征对齐行人重识别分别提出了相关方法,主要研究内容及成果如下:1.针对无遮挡图像中行人位姿变化造成的特征未对齐问题,本文提出了多样化局部注意力网络（Diversified Local Attention Network,DLAN）和一致性激活惩罚函数（Consistency Activation Penalty,CAP）。首先,在骨干网络后分别设计了全局网络和多分支局部注意力网络,一方面学习全局的人体空间结构特征,另一方面自适应地获取人体不同部位的显著性局部特征;然后,构造了一致性激活惩罚函数引导各局部分支学习不同身体区域的互补特征,从而获取行人的多样化特征表示;最后,将全局特征与局部特征集成到分类识别网络中,通过联合学习形成更全面的行人特征描述。2.针对遮挡图像中行人局部遮挡造成的特征未对齐问题,本文提出一种局部补丁混合法（Local Patch Mix,LPM）的数据增强方法和共享区域特征对齐网络（Shared-Region Feature Aligned Network,SFAN）。首先,利用LPM方法缓解遮挡行人重识别数据集数量少的问题,通过对局部区域添加其他遮挡样本,模拟真实的局部遮挡数据,能有效提高模型的训练效率和鲁棒性;然后,构建具有孪生网络结构的特征提取网络和上下文关系感知注意力网络（Contextual Relation-Aware Attention Network,CRAN）来建立注意力机制并引导网络提取行人前景特征;接着,通过共享区域关系感知注意力网络（Shared Relation-Aware Attention Network,SRAN）来获得全身图与半身图特征节点之间的相关性,得到共同的注意力图,该注意力图能够引导网络重点关注遮挡图和非遮挡图之间共享的未遮挡区域;最后,通过注意力图对共享非遮挡区域的局部特征赋予更大的权重,以此达到全身图与半身图特征对齐的目的,从而提高识别率。最终,在行人重识别数据集Market1501、Duke MTMC-re ID和CUHK03以及遮挡行人重识别数据集Occluded-Re ID、Partial-Re ID和P-ETHZ上进行了对比实验与扩展实验。对比实验结果表明,本文所提的DLAN、LPM以及SRAN方法具有明显的优越性;而扩展实验结果表明,所提方法能适应不同环境下的行人重识别任务,具有很强的泛化能力。