无重叠视域多摄像机行人再识别的研究与实现的任务书.docx

无重叠视域多摄像机行人再识别的研究与实现的任务书
任务书
研究题目：无重叠视域多摄像机行人再识别的研究与实现
研究背景
在智能视频监控领域中，行人再识别是一个重要的研究方向。行人再识别是指在不同时间和不同地点拍摄的视频中，对同一个行人进行准确的识别和匹配。行人再识别技术可以应用于公共安全监控、人流统计、视频调查取证等领域。
传统的行人再识别技术主要基于单目摄像机或者固定的多摄像机系统。但是，这些方法存在一些局限性。单目摄像机无法捕捉到行人的全貌和多角度信息。固定的多摄像机系统虽然能够获取更多的视角信息，但是不同视角的摄像机之间存在重叠区域，容易导致重复计数和误匹配。
因此，提出一种无重叠视域多摄像机行人再识别的方法是非常有必要的。
研究目标
本研究旨在实现无重叠视域多摄像机行人再识别方法，解决传统方法存在的问题，同时提高行人再识别的准确性。
具体研究内容包括：
1.设计和实现无重叠视域多摄像机系统，该系统应包括至少三个视角不重叠的摄像机，能够捕捉到行人全貌和多角度信息。
2.采用深度学习算法对行人进行再识别。首先，在每个视角的图像中提取特征，然后将多个视角的特征融合到一个向量中。最后，采用分类或度量学习的方法对不同视角的特征进行比较和匹配。
3.在行人再识别的数据集上对提出的方法进行评估。评估指标包括准确率、召回率、F1值等。
4.对比传统的单目摄像机和固定多摄像机方法，评估提出方法的优劣之处。
5.实现一个基于提出方法的行人再识别系统，能够在实际应用场景中进行测试和验证。
研究步骤
1.收集所需数据集。本研究将采用市面上常用的行人再识别数据集，如CUHK03、Market-1501、DukeMTMC等。
2.设计和实现无重叠视域多摄像机系统。该系统需考虑以下因素：视角数量、视角选取、摄像机的安装位置和角度等。
3.采用深度学习算法对行人进行再识别。本研究将探索两种方法：分类和度量学习。
4.实现算法并在数据集上进行测试和评估。
5.将提出的方法与传统的单目摄像机和固定多摄像机方法进行对比。
6.在实际应用场景中测试和验证实现的行人再识别系统。
研究意义
本研究的意义主要有以下几点：
1.解决了传统方法存在的问题，提出了一种新的无重叠视域多摄像机行人再识别方法。
2.提高了行人再识别的准确性和效率，为智能视频监控领域提供了新的解决方案。
3.对深度学习在行人再识别领域的应用进行了探索和研究，为后续的相关工作提供了借鉴和参考。
4.实现的行人再识别系统能够在实际应用场景中进行测试和验证，具有一定的实用性和推广价值。
研究计划
本研究计划为期一年，具体进度如下：
第1-3个月：收集相关文献，了解现有技术和方法，确定研究方案。
第4-6个月：设计和实现无重叠视域多摄像机系统，获取行人再识别数据集。
第7-9个月：采用深度学习算法对行人进行再识别，实现算法并在数据集上进行测试和评估。
第10-12个月：对比传统的单目摄像机和固定多摄像机方法，完成可视化界面的开发，进行实际应用场景的测试和验证。
参考文献
[1]ZhaoL,FengX,XieL,etal.Multi-camerapedestriantrackingwithadaptivefusionofcolorandthermalimaging[J].Neurocomputing,2018,294:22-35.
[2]LiH,OuyangW,WangX,etal.Learningdynamictemporal-spatialpoolingnetworksforvideoactionrecognition[C]//IEEEConferenceonComputerVisionandPatternRecognition.IEEE,2018:6752-6761.
[3]ZhangZ,LanX,ZengW,etal.Robustpersonre-identificationbymulti-channelparts-basedcnnwithimprovedtripletlossandre-ranking[J].Neurocomputing,2018,318:243-253.
[4]ChenY,LiJ,XiaoT,etal.Dualpathnetworks[C]//IEEEConferenceonComputerVisionandPatternRecognition.IEEE,2017:4467-4475.
[5]LiW,WangX,JiR,etal.Harmoniousattentionnetworkforpersonre-identification[C]//IEEEConferenceonComputerVisionandPatternRecognition.IEEE,2018:2285-2