基于图像哈希的行人重识别开题报告

全文总字数：4075字

1. 研究目的与意义（文献综述）

多个监控摄像头下对行人进行检索的任务被称为行人重识别，行人重识别技术是解决诸多问题如犯人的抓捕行动，失踪人口的查询等，以最近的新冠病毒传播为例，当得知了某个确诊病例后，可以通过行人重识别技术推断出他在什么时间什么地点被传染的，并以此可以找到传染源以及与他接触的疑似病例。因此，行人重识别是我国在公共安全发展中的一项重要技术，是解决诸多问题的关键因素，是保证国民经济发展和社会稳定的前提条件。

随着行人重识别技术受到越来越多的科研人员的关注，行人重识别技术不断发展完善。如今现存的行人重识别的方法分为两类：基于手工设计的方法和基于深度学习的方法。基于手工设计的方法主要研究特征提取方式和距离计算，在特征提取方式中，gray等人利用颜色通道和纹理滤波器^[1]，对行人的图像进行区域划分，分别提取特征再串联。在行人重识别的距离度量学习方法中，ranksvm^[2]和boosting^[3]方法被广泛使用。而随着深度学习的不断发展，行人重识别领域也开始利用深度学习^[4-6]，其应用的深度学习模型主要分为验证模型和分类模型，两种类型的模型对比，基于验证模型的监督信息是弱监督的，体现在输入的样本信息是相似性约束，这种约束更适用于训练集规模较小的情况，比如文献^[7]提出通过补丁匹配层和maxout-grouping 层来过滤配对的神经网络补丁匹配层用于学习跨视觉图像中条纹的水平位移，maxout-grouping 层则是用于提高补丁匹配的鲁棒性；而基于分类模型的监督信息则是强监督的，体现在输入样本的信息直接具体到某个类别，这种约束能适合于训练集规模较大的情况^[8]。而随着近年来我国监控设备的大量安装使用，样本数据不断增加，分类模型的深度学习结构可以直接利用行人图像的具体标准信息，能更加充分地标注数据因此相比验证模型更为常用。同时针对验证模型和分类模型自身的优势和不足，有一些关于联合这两种模型来共同训练的研究方法^[9]也逐渐在进行。同理，结合手工设计的特征和深度学习模型的行人重识别方法^[10]也有一些研究。

深度学习由于其自身强大的学习能力，使得行人重识别的问题有了有效的解决方法，但随着数据量的提升，深度学习的效率问题越来越受注重，因为通常利用行人重识别来解决的实际问题十分注重时效性，以往的深度学习的行人重识别在准确率不断提升的基础上也不断地降低了其运行效率。文献^[11-13]提出了一些快速识别行人的方法如利用跨视图的二元恒等式、跨模态行人的重识别以及生成对抗训练等。从提高效率的观点出发，以cnn为基础的深度哈希模型^[14-16]以距离计算采用比欧式距离更简单快速汉明距离备受关注并广泛研究，然而效率提升的同时却也导致了行人再识别准确率的下降，本文的目的在于通过对深度哈希模型方法的分析，找出可以改进的地方，，研究如何改进该模型，使得最终的行人重识别在保证的效率提高的同时保证了一定的准确度。

2. 研究的基本内容与方案

2.1研究的基本内容

论文主要研究利用改进的深度哈希模进行行人重识别。主要包括对原始行人数据集图像进行区域划分的方法，使得图像近似的分成头、上半身、下半身、脚四部分。同时，考虑到行人在图像中的位置、角度等因素，需要对划分的四个区域加上权重，使得最终行人重识别的准确性提高。最后把各个区域利用深度哈希模型得到的哈希码进行组合，分别计算查询样本与候选集各个图像对应区域的汉明距离并加权作合得到最终距离数据作为重识别排序列表排序的依据。

2.2研究的目标

3. 研究计划与安排

3月15日前，完成开题报告，同时查找所需论文以及所需数据集。

3月25日前，完成论文关于区域划分部分的内容，同时完成外文翻译任务。

4月15日前，完成论文关于区域权重部分的内容，同时完成中期检查。

4. 参考文献（12篇以上）

[1] gray d,taoh.viewpoint invariant pedestrian recognition with an ensemble of localizedfeatures [c].proceedings of the european conference on computer vision(eccv).marseille，france.2008:262-275．

[2] 王迪,陈岳林,蔡晓东,王丽娟.基于随机森林和ranksvm优化的行人识别方法[j].电视技术,2015,39(18):90-93.

[3] stefanomesselodi,carla maria modena. boosting fisher vector based scoring functionsfor person re-identification[j]. image and vision computing,2015,44.

[4] 朱福庆. 基于深度学习的行人再识别研究[d].大连理工大学,2018.