基于姿势引导生成对抗网络的行人再识别系统设计与实现

• 作 者: 杨超
• 出 处: 南京邮电大学
• 发表日期: 2020年01期
• 关键词: 行人再识别 姿势引导 生成对抗网络 Siamese卷积神经网络 重排序

行人再识别是计算机视觉领域中既具有挑战性又极富研究价值的课题,需要在多个摄像机系统中匹配具有相同身份的行人图像。近年来,人脸验证技术的愈发成熟,在构建“智慧城市”、“平安城市”等方面取得了很大的成功。然而在现实的视频监控系统中,跨摄像头并不能保证在复杂多变的情景下拍摄到肉眼可辨的人脸图像。因此,利用全身信息对行人进行定位与识别就显得尤为重要。一般通过卷积神经网络提取行人的整体特征,实现对行人的跨摄像头跟踪。于是,计算机视觉领域开始“行人再识别”技术的研究工作。行人再识别可以简单地理解为图像检索问题,即给定某人的一张图片,从多个摄像机拍摄的图片中找出该人的一张或多张图像。当视频监控系统识别同一个目标时,视角、光照强度、姿态多变性以及部分遮挡等问题都会为跨摄像头的行人再识别带来巨大的困难。为了减轻姿势变化对行人再识别的影响,本文提出一种基于姿势引导生成对抗网络(Pose-Guided Generative Adversarial Network,PG-GAN)的算法,该算法用于学习身份敏感且姿势不敏感的特征。本文的行人再识别算法由Siamese卷积神经网络(Siamese Convolutional Neural Network,S-CNN)和生成对抗网络(Generative Adversarial Networks,GANs)组成。Siamese卷积神经网络是一个对称的结构,Dense Net-121作为其每个分支的基础网络。生成对抗网络含有多个姿势判别器和身份判别器,并且融入了姿势损失函数,要求相同身份行人的生成图像的姿势是一致的。通过姿势引导生成对抗网络来学习身份敏感且姿势不敏感的行人特征,从而提高了PG-GAN对新图像的泛化能力。在测试期间为了提高检索的精度,本文还使用基于k互近邻方法,对侯选库中需要检索的图片进行重排序。本文方法在三个公共数据集上均达到了很高的识别水准,同时在实际视频监控系统中也发挥良好,充分体现了本文所提出算法的先进性。