基于深度特征与传统特征融合的行人再识别研究的任务书.docx

基于深度特征与传统特征融合的行人再识别研究的任务书
任务书
1.研究背景
行人再识别作为计算机视觉领域的热门研究方向之一，一直以来都是人们关注的焦点。行人再识别技术可以应用于视频监控、人群管理、广告推荐等领域。但是由于物体尺度、姿态、遮挡、光照变化等因素的影响，行人再识别技术仍然存在一些挑战。为了解决这些问题，研究者们通过深度学习等技术提出了各种基于深度特征的行人再识别方法。
2.研究内容
本次研究将基于深度特征与传统特征融合的方法来进行行人再识别研究，具体包括以下三个部分：
(1)行人图像的获取和数据预处理：利用行人检测算法识别并截取出行人图像，然后对行人图像进行数据预处理，包括图像归一化、大小裁剪等。
(2)深度特征和传统特征提取：首先，利用卷积神经网络提取行人图像的深度特征。然后，选择颜色直方图、LBP、HOG等传统特征提取方法提取传统特征。
(3)深度特征和传统特征的融合：通过使用加权平均法等融合方法将深度特征和传统特征进行融合，得到最终的特征向量。
3.研究目标
本次研究的目标是设计一种基于深度特征与传统特征融合的方法来进行行人再识别，使得识别准确率能够大幅度提高。具体来说，研究目标具体分为以下几个方面：
(1)设计并实现行人图像处理及特征提取算法。
(2)比较使用深度特征、使用传统特征以及使用深度特征与传统特征融合的方法对行人再识别精度的影响。
(3)使用市场上常用的数据集进行训练和测试，如Market1501，DukeMTMC等，证明所提出的方法的有效性及实用性。
4.研究技术路线
本次研究将采用如下技术路线：
(1)行人图像的获取和数据预处理：采用YOLOv3等行人检测算法，将得到的行人图像进行预处理，包括灰度变换、大小归一化等。
(2)深度特征和传统特征提取：采用ResNet、Inception等深度学习网络，提取行人图像的深度特征，同时使用传统特征提取方法提取颜色直方图、LBP、HOG等特征。
(3)深度特征和传统特征的融合：使用加权平均法等方法将深度特征和传统特征进行融合，得到最终的特征向量。
(4)建立分类模型：使用SVM、KNN等经典的分类算法，训练行人再识别模型，并使用测试集进行评价，比较不同的特征以及特征融合方法对识别准确率的影响。
5.研究意义
本次研究将探究基于深度特征与传统特征融合的行人再识别方法，该方法将更好地提高识别准确率，从而实现对行人的更精准的识别和跟踪。同时，本次研究还将探究深度学习在行人再识别领域的应用，为行人识别技术的发展提供有益的参考。