[发明专利]基于外貌特征紧凑表示的视频行人再识别方法及系统

权利要求书

1.一种基于外貌特征紧凑表示的视频行人再识别方法，其特征在于，包括：

提取行人视频中的光流曲线，进而得到行人步态的周期曲线，再根据步态周期进行随机选取行人步态的周期曲线中若干关键帧；

将选取的每个关键帧输入卷积神经网络来对行人外貌特征进行提取；

将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量，进而构建出特征池；

提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，然后将距离尺度算法学习后的特征向量进行匹配与排序，从而实现行人的再次识别。

2.如权利要求1所述的一种基于外貌特征紧凑表示的视频行人再识别方法，其特征在于，选取行人步态的周期曲线中4个关键帧。

3.如权利要求1所述的一种基于外貌特征紧凑表示的视频行人再识别方法，其特征在于，其特征在于，将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量的过程中，通过提取每个关键帧中的最大值来将每帧中的显著特征提取并融合。

4.如权利要求1所述的一种基于外貌特征紧凑表示的视频行人再识别方法，其特征在于，在提取特征池内的特征向量进行距离尺度算法学习的过程中，通过计算一个行人的一组中每个特征向量到另一个行人的一组特征向量的最小距离，并取这些距离的平均值作为两个行人特征之间的距离。

5.一种基于外貌特征紧凑表示的视频行人再识别系统，其特征在于，包括：

关键帧选取模块，其用于提取行人视频中的光流曲线，进而得到行人步态的周期曲线，再根据步态周期进行随机选取行人步态的周期曲线中若干关键帧；

行人外貌特征提取模块，其用于将选取的每个关键帧输入卷积神经网络来对行人外貌特征进行提取；

特征池构建模块，其用于将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量，进而构建出特征池；

距离尺度算法学习模块，其用于提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，然后将距离尺度算法学习后的特征向量进行匹配与排序，从而实现行人的再次识别。

6.如权利要求5所述的一种基于外貌特征紧凑表示的视频行人再识别系统，其特征在于，在所述关键帧选取模块中，选取行人步态的周期曲线中4个关键帧。

7.如权利要求5所述的一种基于外貌特征紧凑表示的视频行人再识别系统，其特征在于，其特征在于，在所述特征池构建模块中，通过提取每个关键帧中的最大值来将每帧中的显著特征提取并融合。

8.如权利要求5所述的一种基于外貌特征紧凑表示的视频行人再识别系统，其特征在于，在所述距离尺度算法学习模块中，通过计算一个行人的一组中每个特征向量到另一个行人的一组特征向量的最小距离，并取这些距离的平均值作为两个行人特征之间的距离。

9.一种基于外貌特征紧凑表示的视频行人再识别系统，其特征在于，包括：

行人视频采集装置，其被配置为采集行人视频信息，并传送至服务器；

所述服务器，其被配置为：

提取行人视频中的光流曲线，进而得到行人步态的周期曲线，再根据步态周期进行随机选取行人步态的周期曲线中若干关键帧；

将选取的每个关键帧输入卷积神经网络来对行人外貌特征进行提取；

将提取的所有关键帧相对应的行人外貌特征融合为一个特征向量，进而构建出特征池；

提取特征池内的特征向量进行距离尺度算法学习，使得同一行人特征之间的距离减小，而不同行人特征之间的距离增加，然后将距离尺度算法学习后的特征向量进行匹配与排序，从而实现行人的再次识别。

10.如权利要求9所述的一种基于外貌特征紧凑表示的视频行人再识别系统，其特征在于，所述服务器还被配置为：选取行人步态的周期曲线中4个关键帧；

或所述服务器还被配置为：通过提取每个关键帧中的最大值来将每帧中的显著特征提取并融合；

或所述服务器还被配置为：通过计算一个行人的一组中每个特征向量到另一个行人的一组特征向量的最小距离，并取这些距离的平均值作为两个行人特征之间的距离。