论文部分内容阅读
行人再识别是指给定一张行人图片,检索跨监控设备下包含该行人的其他图片,可应用在火车站、医院、银行等人流量较大地点或者重点安防场所,用来识别逃犯、寻找被拐卖儿童等。这是继人脸识别与车牌识别后,又一项具有重要实用价值的研究,对打造智慧城市与智能交通具有十分重要的意义。在行人再识别中,如何提取到时间与空间上的尺度不变特征变得极为重要。与普通的目标识别相比,以下三点因素增加了提取行人有效特征的难度:由于拍摄方位与拍摄时间不同,导致行人姿态发生变化;由于不同时间光照强度的变化,行人衣物颜色还会产生一定的变化;由于安防相机的种类或规格可能有所不同,所拍摄的行人图片会出现分辨率不一致的情况。这些因素都会导致行人再识别准确率的降低,为解决以上问题,本文的主要研究内容有如下两个方面:针对行人姿态变化与外观颜色变化,提出行人属性与身份学习相结合的策略。首先将四元组图像对输入预训练模型Res Net50中提取行人属性与身份特征信息,然后将其特征信息通过最小化身份分类(Softmax)损失与属性四元组(Quadruplet)损失调整网络模型参数,共同完成行人身份和属性网络的训练,最后将训练好的模型用于行人再识别任务。实验结果表明,该方法很好的提升了行人再识别准确率。考虑了采集的行人图像可能出现分辨率不一致的情况,即一个视角采集的行人图像为低分辨率,另一视角采集的行人图像为高分辨率,提出了一种单幅图像超分辨率重建与行人再识别相结合的方法。首先构建行人图像超分辨率网络,网络各层均采用卷积层,并联合像素均方差损失、感知损失以及纹理匹配损失共同训练图像超分辨率网络,再用训练好的模型将一个视角下的低分辨率行人图像上采样为高分辨率行人图像;之后,将上采样后的高分辨率图像与另一视角下的高分辨率图像输入行人再识别主体网络Res Net50中提取特征信息,并分别采用了分类(Softmax)损失与三元组(Triplet)损失监督模型训练。实验结果表明,该方法重建的高分辨率行人图像在客观的图像质量评价准则与主观视觉上都取得了不错的效果。相对于现有的针对分辨率变化的先进行人再识别方法,该方法具有更高的准确率,且应用范围更为广泛。