基于深度多视图特征距离学习的行人重识别

摘要：

传统手工特征很大程度上依赖于行人的外观特征,而深度卷积特征作为高维特征,直接用来匹配图像会消耗大量的时间和内存,并且来自较高层的特征很容易受到行人姿势背景杂波影响.针对这些问题,提出一种基于深度多视图特征距离学习的方法.首先,提出一种新的整合和改善深度区域的卷积特征,利用滑框技术对卷积特征进行处理,得到低维的深度区域聚合特征并使其维数等于卷积层通道数;其次,通过交叉视图二次判别分析方法,从深度区域聚合特征和手工特征两个角度出发,提出一种多视图特征距离学习算法;最后,利用加权融合策略来完成传统特征和卷积特征之间的协作.在Market-1501和VIPeR数据集上的实验结果显示,所提融合模型的Rank1值在两个数据集上分别达到80.17％和75.32％;在CUHK03数据集新分类规则下,所提方法的Rank1值达到33.5％.实验结果表明,通过距离加权融合之后的行人重识别的精度明显高于单独的特征距离度量取得的精度,验证了所提的深度区域特征和算法模型的有效性.

关键词：行人重识别、卷积神经网络、区域聚合特征、加权融合策略、距离度量

所属期刊栏目：39

分类号：TP183;TP391.4(自动化基础理论)

资助基金：国家自然科学基金资助项目61671376,61771386;陕西省教育厅科学研究项目18JK0556

在线出版日期：2019-09-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2223-2229