基于深度與視覺信息融合的行人檢測與再識別研究.pdf

1、視頻監(jiān)控系統(tǒng)中，監(jiān)控視頻中出現(xiàn)的人都是其重點關注的對象，因此智能監(jiān)控系統(tǒng)需要擁有對行人進行檢測，再識別，跟蹤的能力，以便進一步對行人目標的行為進行分析。這就要求監(jiān)控系統(tǒng)擁有可靠的行人檢測以及行人再識別技術。然而由于行人姿態(tài)復雜多變、尺度變化明顯并且應用場景易受背景、光照、陰影、攝像頭參數(shù)等應用環(huán)境的干擾，使得行人檢測以及行人再識別技術目前尚無在可靠性和速度方面都令人滿意的解決方案。
　　本論文針對這一情況，利用深度圖像不受光照變化

2、影響以及同一物體空間信息的一致性，通過研究背景消除、人體分割、深度與視覺信息融合，視角識別，關鍵幀選擇等問題，建立了基于深度與視覺信息融合的行人檢測與再識別模型。
　　首先本文針對行人檢測易受遮擋以及光照變化干擾的問題，提出了融合深度與視覺信息的行人檢測方法。利用深度圖像不受光照影響的特性將其引入行人檢測，避免檢測過程中來自照明變化的干擾。將行人檢測問題轉(zhuǎn)換為對行人頭部的檢測，減少了遮擋與姿勢變化對檢測結果的影響。在深度圖像與彩色

3、圖像上分別建立頭部檢測器，并通過決策級信息融合得到漏檢率更低的頭部檢測器。利用同一物體表面深度信息連貫性，提出了基于圖論的人體提取方法，使得待檢測行人只要頭部能夠檢測到就能用其提取全身像素，將行人與背景分離。實驗證明了該方法提高了應對遮擋以及人體姿態(tài)變化干擾的能力。
　　然后利用人體曲面上兩點間的測地距離不變特性以及人體骨骼所含的語義及空間信息，提出了基于人體骨骼的空間距離特征，并設計了基于此特征的人體部位識別算法。最后通過實驗對

4、該算法的可行性進行了驗證。
　　接下來針對現(xiàn)有的人體外貌模型易受人體姿勢以及攝像機視角變化的干擾導致行人再識別錯誤的問題，從人體各個部位分別提取外貌特征，并將其與基于骨骼的空間特征相結合，建立了基于深度和視覺信息融合的人體外貌模型，提高外貌模型的魯棒性與可區(qū)分度，從而實現(xiàn)行人再識別性能的提高;提出了基于再識別概率最大化準則的行人相似度函數(shù)訓練方案，運用免疫進化算法得到最優(yōu)的相似度函數(shù)，并通過實驗驗證運用該準則訓練得到行人再識別方案

5、要優(yōu)于基于其他訓練方法的的行人再識別方法。
　　最后，對多鏡頭行人再識別技術進一步分析，提出了基于支持向量機的行人視角識別，從而解決視角變化對行人再識別的干擾;針對多鏡頭下圖像冗余的問題，進一步提出了基于人體骨架的關鍵幀提取技術，實現(xiàn)對不同姿態(tài)行人的選擇;建立了包含全局特征與周期性局部特征的新型人體外貌模型。實驗結果驗證了該模型能提高行人再識別的識別率與魯棒性。
　　文章末尾總結了總結了論文的研究內(nèi)容，指出了研究中存在的不足