行人重识别技术

图书标准信息

• 作者 荆晓远
• 出版社 科学出版社
• 出版时间 2022-01
• 版次 1
• ISBN 9787030696342
• 定价 115.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 192页
• 字数 255千字

【内容简介】

行人重识别是计算机视觉领域的重要分支。本书在内容上涵盖了部分传统的以及当前主流的行人重识别算法。全书共13章，分为5个部分：第1部分（第1章和第2章）阐述行人重识别的研究现状以及一些传统的方法和数据库；第2部分（第3～5章）介绍度量学习在行人重识别中的应用与研究；第3部分（第6～9章）讨论一些基于字典学习的行人重识别方法；第4部分（第10～12章）对当前流行的深度学习行人重识别算法进行探讨和分析；第5部分（第13章）介绍行人重识别数据库的采集与构建方法。
  本书可供图像检索和行人重识别相关领域研究人员和工程技术人员阅读参考，也可供对机器学习及行人重识别技术感兴趣的人士参考。

【目录】

第1部分  绪论

第1章  行人重识别概论    3

1.1  课题背景与意义    3

1.2  行人重识别研究现状与进展    4

1.2.1  基于图像的行人重识别研究    5

1.2.2  基于视频的行人重识别研究    6

1.2.3  分类与评价方法    6

1.3  行人重识别研究不足与展望    7

1.4  本书的内容安排    9

参考文献    9

第2章  行人重识别研究综述    11

2.1  传统的行人重识别方法    12

2.1.1  基于特征表示的方法    12

2.1.2  基于匹配模型的方法    15

2.1.3  基于距离度量学习的方法    16

2.1.4  稀疏表示相关技术    22

2.2  基于深度学习的方法    24

2.3  行人重识别数据库现状    27

2.3.1  基于图像的数据库    27

2.3.2  基于视频的数据库    29

参考文献    31

第2部分  度量学习在行人重识别中的应用与研究

第3章  基于负样本区别对待的度量学习行人重识别算法    35

3.1  伪装者样本定义及本章研究内容    35

3.2  伪装者样本与正确匹配样本对的对应关系及伪装者样本去除    37

 

3.3  基于负样本区别对待的度量学习    38

3.3.1  负样本划分    39

3.3.2  问题建模    39

3.3.3  目标函数优化    40

3.4  实验设置与结果    41

3.4.1  VIPeR数据集上的实验结果    42

3.4.2  ETHZ数据集上的实验结果    43

3.4.3  i­LIDS数据集上的实验结果    43

3.5  LISTEN有效性评估    44

3.5.1  对称三元组约束的作用    44

3.5.2  良好可分负样本的作用    45

参考文献    46

第4章  基于集合的度量学习行人重识别算法    48

4.1  基于集合的度量学习与本章的研究内容    48

4.2  与SI2DL相关的工作    50

4.2.1  基于视频的行人重识别    50

4.2.2  基于集合的度量学习    51

4.3  视频内和视频间度量学习方法    51

4.3.1  问题建模    51

4.3.2  目标函数优化    53

4.3.3  计算复杂度和收敛性分析    56

4.4  实验设置与结果    56

4.4.1  iLIDS­VID数据集上的实验结果    57

4.4.2  PRID 2011数据集上的实验结果    58

4.5  对SI2DL的讨论与分析    59

4.5.1  学习一对距离度量与一个公共度量的比较    59

4.5.2  视频内和视频间距离度量的维度的影响    60

4.5.3  和其他基于集合的度量学习方法对比    60

参考文献    61

第5章  其他相关的度量学习技术    63

5.1  NK3ML    63

5.2  HAP2S    65

5.3  深度度量嵌入    67

参考文献    69

第3部分  字典学习在行人重识别中的应用与研究

第6章  基于投影和异质字典对学习的图像到视频行人重识别    73

6.1  图像到视频行人重识别研究基础与本章的研究内容    73

6.2  基于投影和异质字典对学习的方法    75

6.2.1  问题建模    75

6.2.2  目标函数优化    77

6.2.3  计算复杂度    79

6.2.4  使用学到的字典对和映射矩阵进行图像到视频的行人重识别    80

6.2.5  和已有字典学习方法的比较    80

6.3  实验设置与结果    81

6.3.1  数据集介绍    81

6.3.2  实验设置    81

6.3.3  结果和分析    82

6.4  对PHDL的讨论和分析    84

6.4.1  特征投影矩阵的作用    84

6.4.2  字典和特征投影矩阵的大小的影响    84

6.4.3  参数分析    85

6.4.4  收敛性分析    87

参考文献    87

第7章  基于半耦合低秩鉴别字典的超分辨率行人重识别算法    89

7.1  低分辨率行人重识别分析    89

7.1.1  研究动机    90

7.1.2  主要贡献    91

7.2  与SLD2L相关的工作    91

7.2.1  基于耦合字典学习的图像超分辨率方法    92

7.2.2  基于半监督耦合字典学习的行人重识别方法    92

7.2.3  半耦合字典学习方法    92

7.2.4  与相关方法对比    93

7.3  半耦合低秩鉴别字典学习方法    94

7.3.1  问题建模    94

7.3.2  目标函数优化    96

7.4  多视图半耦合低秩鉴别字典学习方法    99

7.5  利用学到的字典和映射进行超分辨率行人重识别    102

7.5.1  半耦合低秩鉴别字典学习方法用于重识别    102

7.5.2  多视图半耦合低秩鉴别字典学习方法用于重识别    103

7.6  实验设置与结果    104

7.7  对SLD2L和MSLD2L的讨论和分析    112

7.7.1  目标函数中各功能项的作用    112

7.7.2  图像块大小的影响    113

7.7.3  聚类个数的影响    113

7.7.4  字典大小的影响    114

7.7.5  低分辨率测试图像的分辨率的影响    115

7.7.6  Probe图像为混合分辨率情况下的对比    115

7.7.7  低分辨率训练图像的分辨率的影响    115

7.7.8  特征数量的影响    116

7.7.9  MVSLD2L和SSCDL方法的进一步比较    117

7.7.10  计算代价    118

参考文献    118

第8章  基于双重特征的字典学习    120

8.1  背景与贡献    120

8.1.1  研究内容    120

8.1.2  相关工作    121

8.2  基于双重特征的度量学习    124

8.2.1  算法基本思想    124

8.2.2  目标函数介绍    125

8.2.3  目标函数求解    126

8.3  基于稀疏表示的多字典学习    127

8.3.1  问题建模    127

8.3.2  目标函数优化    129

8.3.3  目标函数求解    129

8.3.4  算法总结    131

8.4  实验设置与结果    132

8.4.1  基于双重特征的度量学习算法实验    133

8.4.2  基于稀疏表示的多字典学习算法实验    136

参考文献    140

 

第9章  其他相关的字典学习技术    142

9.1  CPDL    142

9.2  DSPDL    143

9.3  拉普拉斯正则字典学习    144

参考文献    145

第4部分  深度学习在行人重识别中的应用与研究

第10章  基于对称三元组约束的深度度量学习    149

10.1  关于负类样本的分割问题    150

10.2  基于对称三元组约束及易区分样本区别对待的深度度量学习    151

10.2.1  样本预计算    151

10.2.2  问题建模    151

10.2.3  目标函数优化    152

10.2.4  STDML在行人重识别中的应用    154

10.3  数据集    154

10.4  实验细节    154

10.5  实验结果    155

参考文献    156

第11章  基于跨模态特征生成和目标信息保留的无监督图像到视频匹配的行人

重识别算法    158

11.1  引言    158

11.2  无监督图像到视频的行人重识别模型    160

11.2.1  问题建模    160

11.2.2  特征表示    160

11.2.3  跨模态特征生成和目标信息保留    161

11.2.4  跨模态行人重识别方法    162

11.2.5  与其他GAN方法的对比    163

11.3  实验与分析    163

11.3.1  数据集介绍    164

11.3.2  实验细节    164

11.3.3  结果与分析    165

11.3.4  讨论    166

参考文献    167

 

第12章  行人重识别中其他典型的深度学习方法    169

12.1  通过GAN生成的无标签样本    169

12.1.1  目标函数构建    169

12.1.2  实验设置与结果    170

12.2  循环卷积网络在视频行人重识别中的应用    171

12.2.1  Siamese网络基础    171

12.2.2  实验设置与结果    172

参考文献    173

第5部分  行人重识别数据库采集方法

第13章  行人重识别数据库的采集方法    177

13.1  场景设定与相机部署    177

13.2  行人分割与归一化    180

参考文献    181