基于残差神经网络的颜色特征排序行人再识别算法

行人再识别是智能安防领域的研究热点,得到了学术界的广泛重视。行人再识别是在非重叠多摄像头视角域下进行行人匹配,其难点在于不同摄像头下行人外形具有显著变化,难以提取不变性特征,识别率偏低。本文首先提出基于残差神经网络的行人再识别模型,将特征归一化模块应用其中,有效改善特征分布变化。其次,提出了对光照和姿态具有鲁棒性的重排序算法,旨在通过语义分割模型裁剪出行人上衣图片,并根据其RGB颜色直方图相似度进行重新排序。最后在Market1501及CUHK03两个公开数据集上进行实验。实验结果证明,本文提出的算法能大幅度提高行人再识别的准确率。

基于改进粒子滤波跟踪算法的运动视频跟踪

为了进一步提高目标跟踪的准确率,提出一种基于改进粒子滤波的运动视频跟踪算法。首先,通过高斯混合模型实现动态背景建模,从而降低噪声和局部动态背景的干扰;然后,在RGB颜色直方图分离的基础上,结合粒子滤波和迭代递归实现目标运动检测,提高了前景检测的准确性。仿真试验结果显示,相比典型粒子滤波算法、遗传粒子滤波和DCEM,改进粒子滤波跟踪算法得到的前景目标的轮廓更好,因此运动目标检测精确度更高且处理时间更短。