无重叠视域多摄像机行人再识别的研究与实现的开题报告.docx

无重叠视域多摄像机行人再识别的研究与实现的开题报告
一、选题背景和研究意义
摄像机行人再识别（PersonRe-identification，Re-ID）是计算机视觉领域中非常重要的任务之一，它的主要目的是对不同摄像机拍摄到的同一个行人进行匹配。在现实生活中，摄像机安装得越来越普遍，为公共安全和个人隐私等提供了更多的保障。然而，由于每个摄像机的拍摄条件不同，如光照、拍摄角度、距离等，导致拍摄到同一行人时，每个摄像机的特征向量都会有所不同，从而加大了行人再识别任务的难度。同时，为了保证对多个摄像机的监控和管理，有时需要将多个摄像机拍摄到的视域进行无重叠设计。这就涉及到了无重叠视域多摄像机行人再识别问题的研究。
本文致力于探索并实现无重叠视域多摄像机行人再识别的技术解决方案，包括摄像机视域划分、行人特征提取、匹配算法等关键技术，以提升对公共安全和个人隐私的保护，促进计算机视觉领域的发展。
二、研究内容和研究方法
本文主要研究以下内容：
1.无重叠视域多摄像机行人再识别的任务定义和目标函数：在手头拥有多个摄像机，每个摄像机的视域都不重叠，数据集是一堆每个行人的图像，我们的任务是要从中匹配出所有摄像机视域中每个行人的身份。在此基础上，本文将探讨并设计相应的目标函数。
2.摄像机视域划分：针对无重叠视域多摄像机的特殊情况，设计基于深度学习的视域划分算法，即将拍摄到同一个行人的图像分配到相同的视域中，大大简化多摄像机人员跟踪的工作。
3.行人特征提取：使用深度卷积神经网络对行人进行特征提取，该网络将被训练成能够从行人图像中提取出能够表示行人身份的特征向量。以独立识别既可保留个体特征又可避免过拟合。
4.行人匹配算法：本文将设计基于度量学习的算法，即基于深度卷积神经网络的行人匹配算法，该算法能够在多摄像机视域之间高效地匹配行人，即便是在行人的姿态、表情、光照等方面有差异时依然能够正常匹配。
本文所提出的方法将基于大量真实的行人图像样本进行训练和测试，采用传统的实验方法进行验证。具体而言，我们将选择一组公共数据集，如Market-1501、DukeMTMC-ReID等，采用现代计算机视觉领域的流行算法，如ResNet、Inception-V3等进行实验，并将结果与现有最佳方法进行比较和评估。
三、研究创新点和预期结果
本文的研究创新点和预期结果如下：
1.将摄像机的视域进行无重叠的划分，从而避免传统多摄像机行人再识别中常见的跨摄像机匹配问题，提高既定多摄像机系统的性能。
2.采用深度卷积神经网络进行行人特征提取，在避免过拟合的基础上，进一步提高多摄像机系统的行人再识别准确性和鲁棒性。
3.设计基于度量学习的行人匹配算法，并将其与现有最佳方法进行比较和评估，进一步推进计算机视觉领域的研究进展。
本文的预期结果包括提出完整且高效的无重叠视域多摄像机行人再识别解决方案，取得领先于现有最佳方法的准确度和鲁棒性，并探索有效性和实用性的切实可行的方法，有望在实际应用中得到广泛推广。