基于改进的交叉二次判别分析的行人再识别

行人再识别的任务是匹配不同摄像机在不同时间、地点拍摄的人体目标.受光照条件、背景、遮挡、视角和姿态等因素影响,不同摄像机下的同一目标差异较大.针对交叉二次判别分析算法(XQDA)中的矩阵奇异问题,本文提出了一种基于PLDA改进的交叉二次判别分析方法,即PLDA-XQDA算法.在PRID 2011,i LIDSVID数据集上进行实验,结果表明:本文方法与已有的基于视频的度量学习方法相比,PRID 2011和i LIDSVID数据集匹配率分别提高了1.23%和1.07%;与已有的基于图像的度量学习方法相比,PRID 2011和i LIDS-VID数据集匹配率分别提高了12.92%和15.34%.

面向行人重识别的跨视图最小分类误差二次判别分析方法

行人重识别技术旨在匹配不同的摄像机拍摄场景中属于同一个人的所有图片.近年来,核化跨视图二次判别法已在相关任务中取得优良的效果.然而,在处理高维小样本数据时,对于协方差矩阵逆的估计通常由于数据集较小的原因容易产生较大的偏差;在不同视图之间,人的外观经历复杂的非线性转换,因此导致识别精度较低.为解决此问题,本文提出一种将最小误差分类、平滑技术与核化跨视图二次判别法相结合的度量学习方法 MCE-kXQDA(minimum classification error-based kernel cross-view quadratic discriminant analysis),在非线性映射与跨视图二次判别法相结合的基础上将最小误差分类、平滑技术引入非线性维的核化空间中,实现非线性度量学习的同时有效提升协方差逆矩阵的估计精度.为验证MCE-kXQDA的有效性,我们在多个数据集上与其他相关方法进行了详细比较.实验结果表明MCE-kXQDA具有更优的识别精度和鲁棒性.

基于二次相似度函数学习的行人再识别

行人再识别是一个有着非常重要现实意义的研究问题,它可以应用于刑事侦查、在公共场所中寻找丢失的小孩、个人相册管理以及电子商务等领域.同时由于光照、视角、人的姿态以及背景的变化,同一个人的表观在不同的监控视频中往往变化很大,解决行人再识别问题也非常有挑战性.在设计行人再识别算法时,给定行人图像的特征,考虑到不同的特征分量具有不同的区分能力,学习合适的相似度度量非常重要.度量学习是一类学习相似度度量的主流算法,这些算法通过学习一个马氏距离相似度函数(Mahalanobis Similarity Function,MSF)来估计一对行人图像的相似度.然而MSF只与特征差分空间有关,忽略了一对图像中每个个体的表观特征,对于同一个人在不同场景中很大的表观变化的捕捉能力有限.为了加强相似度函数与每个个体的表观特征的联系,该文提出通过学习一个二次相似度函数(Quadratic Similarity Function,QSF),来估计一对行人图像的相似度.QSF是MSF的泛化形式,不但描述了一对行人图像的互相关关系,而且关联了一对行人图像的自相关关系,可以更好地捕捉同一个人在不同监控视频中很大的表观变化.为了学习QSF,该文分别从分类和排序的角度出发,设计两种不同的优化目标,提出了两种不同的学习QSF的算法.由行人再识别的公共数据集VIPeR和CUHK的实验表明,这两种不同的算法都可以学习到有效的QSF,识别性能优于已有的行人再识别算法.

正态重采样的改进行人再识别度量学习算法

跨场景的行人再识别任务,现有度量学习算法由于小样本问题使得对模型参数的估计存在偏差,从而导致识别精度较低。在交叉二次判别分析度量学习算法的基础上,提出了一种基于样本正态性重采样算法,建立了半监督学习度量模型,以增强度量模型的泛化能力。综合泛化后的度量模型和交叉二次判别算法,构建了加权组合的联合模型。选取了公开数据集VIPeR和CUHK01进行测试,测试结果显示该算法相比于原交叉二次判别算法以及相关的行人再识别算法有着明显的优势,尤其在rank-1上的识别精度分别超过了MLAPG算法和NFST算法7.79%和4.68%,且该算法对于训练数据量的变化具有较强的鲁棒性。

基于深度学习和距离度量的行人再识别研究

行人再识别研究的内容是从一个视角选取目标行人,在非重叠视角的大量数据集中,识别出相同的行人。客观存在的多种因素会对识别的匹配率造成影响,研究内容是在雾霾天气下的行人再识别问题。针对雾霾天气会对所获取的图像产生诸如特征提取困难等问题,先利用基于深度学习的去雾算法进行图片预处理,然后使用局部最大特征出现算法以及距离度量学习的算法对图像进行特征提取和距离计算。在改进的VIPeR数据集上进行实验,结果表明,该方法提升行人再识别的匹配率。

使用机器学习算法基于行为决定因素的宫颈癌早期检测

宫颈癌是最常见的女性生殖道恶性肿瘤,发病率在女性恶性肿瘤中居第二位,在某些发展中国家甚至位居首位。在我国,宫颈癌也是危害女性健康与生命的重要疾病。幸运的是,女性可以通过接种HIV疫苗和定期筛查来预防这种疾病,但目前预防方法的结果和参与度都比较低。一方面是由于经济条件的限制,另一方面是因为女性本身预防知识和意识的缺乏。因此,为了积极预防宫颈癌,本文分别利用逻辑斯蒂回归、线性判别分析、二次判别分析、朴素贝叶斯、K-近邻方法检测基于行为决定因素的宫颈癌风险,并选择准确率最高的预测方法。而在正式进行预测分类前,本文利用主成分分析对数据进行降维处理;利用交叉验证对变量进行选择。

联合度量指标损失和U-Net的文档图像二值化

当前深度神经网络模型在图像分割时均采用交叉熵做训练损失函数,当损失值变小时评价指标不一定变得更优。为解决上述缺陷,提出一种基于度量指标损失的U-Net网络模型。由于错误接受率和错误拒绝率变小时度量指标F-Mea-sure会上升,因此构建半错误率损失函数。采用分治策略,将文档图像分割成固定大小的图像块,分别进行二值化。在文档图像竞赛数据集上进行大量对比实验,实验结果表明,该方法相比原始U-Net,在4个度量指标上均有提升,二值化结果图像的文字连通性更好、噪声更少。

最小均衡化后的行人重识别

为解决实际监控场景中的行人重识别技术的智能应用,考虑到行人图像拍摄角度不断变化的情况,将颜色和纹理等特征进行融合,利用部分局部块提取图像特征;针对行人轮廓不清晰,提出在纹理特征提取前实现直方图均衡化的方法;通过对图像进行两次下采样,使算法具有更好的比例尺度不变性.与现有的局部最大概率(local maximal occurrence,LOMO)特征与跨视图二次鉴别分析(cross-view quadratic discriminant analysis,XQDA)方法结合的重识别方法进行对比,结果表明,在数据集VIPeR、PKU-Reid和i-LIDS-VID上重识别率rank1分别提高了0.28%、1.75%和0.20%,证明采用最小均衡化后的行人重识别率得到了提升.

模式识别的改进算法研究

针对模式识别问题,设计了一种基于字符串编码的匹配算法,实现了对样本的二次筛选和两种不同的模式匹配算法的交叉匹配,不仅可以有效地减少"洞"的存在,而且可以生成高质量的检测样本,从而增强识别效率、降低时间消耗。对数字识别的实验结果表明,该匹配算法具有很高的识别率,能有效降低错误率,得到稳定的满意解,具有良好的适应性、学习性、开放性和鲁棒性。