基于局部最大发生表示和度量学习的行人重识别.docx

摘要：行人重识别是利用计算机视觉技术在图库或者监视视频中判断某个行人是否存在的重要技术，广泛被认为是一个图像检索的子问题。在行人重识别的任务中，有两个关键问题需要面对：特征表示和度量学习。有效的特征表示应该对于光照和视角变化具有鲁棒性，此外我们要学习一种判别度量标准来进行众多的行人匹配。本文提出了有效的特征表示方法——局部最大发生（LOMO），以及一种子空间和度量学习方法——交叉视图二次判别分析（XQDA）。我们运用Retinex变换和尺度不变的纹理操作符来处理光照变化。LOMO特征分析了局部特征的水平发生并将分析结果最大化，在视角变化时做出稳定的表示。为了学习一个判别式度量标准，我们提出用交叉视图二次判别分析来学习一个判别式低维子空间，并且在得到的子空间上学习一个QDA度量标准。文中给出了一种实用的XQDA计算和正则化方法。我在VIPeR和QMUL GRID两个著名的行人重识别数据集上进行实验，实验结果达到了较高的rank-1识别率。

关键词：行人重识别；度量学习；特征表示；LOMO；XQDA

目录

摘要

Abstract

1 绪论-1

1.1 研究背景和意义-1

1.2国内外研究现状-2

1.3 行人重识别面临的挑战-3

1.4相关工作-4

1.5 本文的主要内容和结构-6

2.相关技术-7

2.1 Retinex-7

2.1.1 单尺度Retinex算法（SSR）-7

2.1.2 多尺度的Retinex算法（MSR）-9

2.1.3 带彩色恢复的多尺度Retinex算法(MSRCR)-9

2.2 尺度不变局部三元模型（SILTP）-11

2.3 HSV颜色直方图-12

3. 局部最大发生特征（LOMO）-13

3.1处理照明变化-13

3.2 处理视角变化-14

4.交叉视图二次判别分析（XQDA）-16

4.1 贝叶斯人脸算法和KISSME回顾-16

4.2 XQDA-16

4.3 实际计算-17

5.实验-19

5.1 VIPeR数据集上的实验-19

5.1.1 VIPeR数据集-19

5.1.2 实验过程-19

5.1.3 实验结果-19

5.1.4和其他方法的比较-20

5.2 QMUL GRID数据集上的实验-21

5.2.1 QMUL GRID数据集-21

5.2.2实验过程-22

5.2.3 实验结果-22

5.2.4和其他方法的比较-23

5.3 度量学习算法和特征的比较-23

5.3.1 度量学习算法的比较-23

5.3.2 特征的比较-24

6 方法的分析-26

6.1 Retinex的作用-26

6.2 局部最大发生的作用-27

6.3 子空间的维度-27

7.总结-29

参 考 文 献-30

致 谢-32

附 录 A-33

附 录 B-34