文 献 综 述
摘要
本毕业设计论文的课题是基于深度学习的行人再识别算法研究，通过深度学习神经网络从图像数据中提取更能表征图像的特征，进一步改善行人识别的性能。本文是该课题的开题报告，主要分为三个部分。第一部分介绍行人再识别技术的研究背景以及深度学习的可应用性。第二部分介绍研究意义，主要包括行人再识别技术的难点以及深度学习应用的意义。第三部分介绍了研究现状，主要包括现有的行人再识别技术现状，各种神经学习网络以及深度学习与Caffe框架。
1 研究背景
随着现代社会的快速发展，社会安全成为人们日益关注的问题。现如今，摄像头已经广泛应用于工作和生活的方方面面，形成了一个大规模监控网络。而其中，对于行人的监控占据了很大一部分。
假如基于人工方式对行人图像进行监控和分析，存在很大的问题：（1）人工监控和分析耗费大量人力物力，给生产或生活带来了更高的成本；（2）公共场所的监控范围比较大，监控系统包含的摄像头数量多，大量重复性工作会使人员疲劳，影响监控效果；（3）在案发之后，对于大量视频数据的分析也需要大量人工工作，影响侦查速度。因此，利用计算机来监控和分析势在必行[1]。
视频监控系统主要分为视频的获取、行人检测，行人再识别、行人追踪四个部分[1]。其中，行人再识别是关键环节。行人再识别由行人检测和行人识别发展来的，可以看成他们两个工作的结合。传统上，行人检测是判断图像中是否含有行人；行人识别是在图像中识别指定的人；而行人再识别是从没有任何重区域的不同摄像头的视频中识别出同一个人[2]。行人重识别（Person Re-Identification)[3]的研究最早可以追溯到2003年。2006年，行人重识别术语首次在计算机视觉国际顶级会议CVPR上提出。2007年，Gray等人提出了第一个公开的行人重识别数据库VIPR[4]。但同时代技术上有所发展是从2008年开始的，目前研究者对行人重识别问题越来越关注。近五年来，计算机视觉技术关于行人的重识别研究有了爆炸式的增长，有大量学术论文发表在重要会议（ICCV,CVPR,ECCV,BMVC,ICIP)和杂质（TPAMI,IJCV,Pattern Recognition)上。行人重识别研究涉及模式识别、机器学习、信息论等学科，在学术界是一个很重要的研究热点。其中，机器学习受到了研究人员极大的关注[5]。经过多年的发展，机器学习在理论及应用上均获得了巨大的进步。在当今大数据时代，随着计算机硬件的发展，计算机的计算能力大幅度提高、成本逐步降低。近年来深度学习（Deep Learning)成为机器学习新兴的分支，在图像分类与识别、语音识别、自然语言处理等多个研究方向取得了优异的效果，成为当前的研究的热点[6]。
深度学习通过建立多层次的模型结构，模拟人脑神经系统对信号的处理，自动从原始数据中提取具有较好的鲁棒性的深层特征，在目标的分类和识别上相对于传统的人工特征取得了更好的效果。如何将深度学习应用于行人再识别问题上，研究出更高性能的行人再识别系统是很多研究人员努力的方向。
2 研究意义
2.1行人再识别的难点
