论文部分内容阅读
公共安全已成为人们最为关注的社会问题之一,监控摄像头被广泛应用于学校、商场、地铁、体育场、公园等人群密度较大的公共场所。因此,视频监控在公共安全中扮演着举足轻重的地位,它既可以用于公共安全事件的预防、应急、记录,还便于事后进行快速回溯、识别和搜索,进而成为平安城市建设中不可或缺的重要一环,具有极为现实的意义。行人再辨识是视频监控领域中一个具有挑战性的问题,其主要任务是跨摄像头中的行人的搜索与识别。本文提出了两种行人再辨识新方法,主要工作包括：1.将bagging的集成学习方法引入大间隔最近邻法(LMNN)中,提出了基于bagging-LMNN的行人再辨识算法。度量学习常被用于拟合摄像头之间的变化,然而传统的度量学习仅在某些样本及其特征空间上学习一个度量模型,很难拟合多种外观的变化。在本文中,我们将bagging的集成学习方法引入LMNN,提出了基于bagging的大间隔最近邻法。通过在子空间上学习并融合多个度量模型提高了行人再辨识的性能。本文提出了两种bagging策略,分别为基于样本bagging的大间隔最近邻法和基于特征bagging的大间隔最近邻法。在三个数据库上的实验表明本文的方法可以取得比现有代表性算法更好的性能。2.将度量矩阵的迹范数(Trace Norm)与大间隔最近邻法结合起来,提出了正则化的大间隔最近邻法(LMNN-T)。当前的度量学习算法在拟合不同摄像头间行人外观差异的过程中,经常陷入过拟合。为了缓解过拟合的问题,本文将度量矩阵的迹范数(Trace Norm)与大间隔最近邻法(LMNN)结合起来,提出了正则化的大间隔最近邻法(LMNN-T)。迹范数可以使得度量矩阵具有低的秩,从而缓解过拟合问题。同时,为了避免在降维过程中丢失关键的精细特征,我们将基于特征bagging的集成学习方法与其结合以维持图像特征的辨识度。在两个数据库上的实验表明本文的方法取得了比现有代表性算法更好的性能。