基于多核学习的无重叠视域多摄像机行人再识别问题研究

《基于多核学习的无重叠视域多摄像机行人再识别问题研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、单位代码：10359密级：公开学号：201111110623分类号：TP391HefeiUniversityofTechnology硕士学位论文MASTER’SDISSERTATION论文题目：基于多核学习的无重叠视域多摄像机行人再识别问题研究学位类别：学历硕士专业名称：通信与信息系统作者姓名：刘皓导师姓名：齐美彬教授完成时间：2014.3合肥工业大学学历硕士学位论文基于多核学习的无重叠视域多摄像机行人再识别问题研究作者姓名：刘皓指导教师：齐美彬教授学科专业：通信与信息系统研究方向：多媒体信息传输技术2014年3月ADis

2、sertationSubmittedfortheDegreeofMasterResearchofProblemsofNon-overlappingMulti-CameraPedestrianRe-identificationBasedonMultipleKernelLearningByLiuHaoHefeiUniversityofTechnologyHefei,Anhui,P.R.China3rd,201462致谢逝者如斯，不舍昼夜，岁月稍纵即逝。转眼间我已经在工大校园里度过了两年半的研究生学习时光。我有幸能够接触到不仅传

3、授我知识、学问，而且从更高层次指导我人生与价值追求的良师。他们使我坚定了人生的方向，获得了追求的动力，留下了研究生生活的美好回忆。在此，我真诚地向尊敬的老师们和母校表达深深的谢意！本篇论文是在我的导师齐美彬教授的悉心指导下完成的。在这短短的两年半里，聆听着齐老师孜孜不倦的教诲，感受着他严谨进取的治学精神和乐观向上的生活态度，我不仅体会到知识与研究的魅力，也学会了许多做人的道理；他严谨细致、一丝不苟的作风一直是我工作、学习中的榜样；他循循善诱的教导和不拘一格的思路给予我无尽的启迪。更重要的是，齐老师在我论文的写作过程中一直教

4、导我严格遵守学术道德和学术规范，为以后的继续深造打好坚实的基础，同时从论文的选题到结构安排以及措辞用句，齐老师也对我耐心指导，整篇论文都凝聚了他大量的心血。值此论文完成之际，谨向我尊敬的导师齐美彬教授致以诚挚的谢意和崇高的敬意！我还要特别感谢实验室蒋建国老师、洪日昌老师、汪萌老师、詹曙老师在我学术研究中遇到困难时对我的帮助和悉心指导。同时，我还要感谢朱广辉、周天凤、贾易臻、杨锐、杨晓斌、金玉龙等同学，在与你们朝夕相处的两年半中，让我领略了不同个性的丰富和精彩，也促使我走出了狭隘的自我。研究生生活有了你们的陪伴而更显丰富，有

5、了你们的帮助而倍感轻松，有了你们的支持而深受鼓舞，感谢所有的同学，感谢所有的朋友，很幸运能够认识你们，但愿我们的友情长久，祝福我们的未来美好！在我临近研究生毕业之时，请允许我向我最爱的家人表示诚挚的谢意，想到他们，我总是感到温暖而充满力量。感谢我的爸爸、妈妈，正是因为有他们无私的爱和鼓励，才有了今天的我。在我成功的时候，他们的笑容散发着为我骄傲的光芒，照亮我的前行的道路；在我失败的时候，他们的默默支持让我重拾信心鼓足勇气再启程！难以忘记在DSP实验室的日日夜夜，再次感谢各位老师、亲人、挚友对我的关心与帮助，衷心的祝福你们在

6、未来的生活、工作和学习中一切顺利！作者：刘皓年月日I摘要近年来，随着智能视频监控技术的发展，无重叠视域多摄像机行人再识别问题成为了该领域的一个研究热点。该问题主要解决的任务是：某个被摄像机捕捉到的特定行人，当其在另一具有无重叠视域的摄像机中再次出现时，监控系统能够自动地识别标记出该行人。此问题的解决主要存在以下几个难点：光照变化的干扰，时空信息的缺失以及行人姿态的多样性。本文提出了一种基于不同摄像机下行人外表多种特征建模的方法来解决行人再识别问题。论文的主要工作及贡献集中在下面几个方面：1.在针对不同摄像机间建立关系模型方

7、面，提出了松弛边界分量分析（RelaxedMarginComponentsAnalysis，RMCA）距离测度学习方法。结合单帧行人库以及多帧行人库中样本点周围的异类样本点远多于同类样本点的数据分布情况，在最大边界近邻（LargeMarginNearestNeighbors，LMNN）算法的基础上，重新定义了“边界”函数使之能够根据数据分布灵活可调。算法能够在仅使用简单颜色特征的条件下具有良好的再识别效果，并且收敛速度快。2.提出一种基于核映射的松弛边界分量分析（KernelRMCA，KRMCA）算法。考虑到在高维空间中样

8、本数据更为可分，本文借助核函数（KernelFunction）将行人样本特征映射入高维空间再使用RMCA算法进行建模。最后，针对几种常用的核函数进行分析讨论，得出最为适合本文所使用行人特征表达的JS（Jensen-Shannon）核函数。实验结果表明，与RMCA算法相比，KRMCA算法进一步提升了再识别