摘要：行人重识别也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在你所需要找的行人的技术。是一个计算机图像检测的子问题。给定一个监控路人的视频，不同摄像头下的不同照片，由于摄像头的清晰度以及行人的姿态又或者光照的强度等问题，往往不能得到非常清新的人脸照片。当人脸识别没有用的情况下，重识别就是一个能解决这一系列问题的关键技术。本文对重识别的相关特征提取做了一个函数上的优化，使得提取出来的边缘特征更加的准确，卷积神经网络是目前行人重识别领域用到最多的网络，能学习图片的特征值，通过某种卷积核的运算，能够实现将图片放大缩小或者换一个位置，这样一来就避免了行人在不同位置却导致识别不出来的问题，同时它还具有放大特征值的功能，使得一个图片中最为重要的信息的权值增大，所以一些不是边缘曲线的影响，但是目前的卷积网络在层数过深的时候会出现梯度消失或者爆炸的情况，越深的神经网络训练起来越困难。本文展示了一种残差学习框架，能够简化使那些非常深的网络的训练，该框架使得层能根据其输入来学习残差函数而非原始函数。我们利用卷积网络的模型，提出一个基于卷积网络的残差算法，通过一个shortcut成功的使得卷积层过深的网络不会出现梯度爆炸的现象。

关键词：行人重识别；卷积神经网络；残差网络

目录

摘要

Abstract

1 绪论-2

1.1研究的背景和意义-2

1.2 相关技术的简介-2

1.3 国内外研究现状-3

2 行人重识别的相关工作-5

2.1行人重识别的难点-5

2.2行人重识别和人脸识别的区别与相似-5

2.3 行人重识别数据采集的特点-6

2.4 过去行人重识别技术的主要工作-6

2.5 当前行人重新识别的两个主要问题-6

2.6 提高行人重识别率的方法-7

2.7部分对齐表示-8

2.8卷积网络的数据集介绍-8

2.9 重识别实验的评估指标-9

3基于卷积网络的行人重识别的相关技术和算法-10

3.1卷积网络的介绍-10

3.2卷积神经网络的常见网络类型-11

3.3卷积神经网络目前存在的问题-11

4基于残差网络的算法和数据集-12

4.1残差网络的介绍-12

4.2残差网络和传统卷积网络的对比-12

4.3解决深度网络的其他方案-13

4.4本次实验的深度残差网路的数据集介绍-14

4.5这些数据集的优势-13

4.6 resnet网络结构的介绍-15

5实验结果及其分析-18

5.1实验的网络-18

5.2 Market1501的训练截图和cmc曲线-18

5.3 CUHK03的cmc曲线-19

5.4 DukeMTMC-reID的cmc曲线-20

5.5残差网络的总结-20

6总结-21

参考文献-22

致谢-24

附录A-25