[发明专利]一种基于生成式对抗网络图像超分辨率技术的行人再识别方法

说明书

本发明公开了一种基于生成式对抗网络图像超分辨率技术的行人再识别方法。首先利用拉普拉斯金字塔生成式对抗网络生成一群图像清晰的图像，然后利用局部最大事件表示和Dense Correspondences算法分别提取图像HSV颜色特征、纹理特征和LAB颜色特征，然后将这些特征融合，再利用交叉视觉二次判别分析算法将这些特征进行度量学习，并利用曼哈顿距离计算probe集与gallery集之间的距离，最后利用multi‑shot模式进行1∶N和N∶N评估。本发明利用LAPGAN网络生成高分辨率图像，再利用传统方法获取图像特征并进行相应匹配。结合深度学习和传统方法解决由光照、角度等原因造成图像分辨率低的问题，提高图像匹配率。

技术领域

本发明属于计算机视觉与模式识别领域，特别涉及一种基于生成式对抗网络图像超分辨率技术的行人再识别方法。

背景技术

当前大多数监控系统采用实时拍摄和人工监视的形式，要求监控人员时时刻刻盯着监控画面，仔细分辨视频中的事件，但实际上人类很难做到如此一丝不苟，而且人工查看的方式存在疏漏和主观误差。考虑到日益增长的监控视频规模，传统的方式需要大量人力，成本高，效率低，因此急需方便快捷的方法改善当前监控不足。行人再识别是在多摄像头无重叠视频监控环境下，通过一系列图像处理技术判断出现在某个摄像头中感兴趣的目标人物是否在其他摄像头中出现过。换句话说行人再识别是一种自动识别技术，能快速定位到监控网络感兴趣的人体目标。因此行人再识别技术是计算机视觉领域的一个研究热点，且在现实生活中有着十分重要的应用价值。

现有的行人再识别技术主要研究方式有两种，一种是采用传统方式手工对图像进行特征提取和相似度量匹配；一种是利用深度学习直接将图像对输入构建好的网络模型，最后输出匹配结果。目前行人再识别技术通常根据图像或视频中的行人颜色、纹理等信息进行特征提取，但由于光照、拍摄角度、遮挡等因素，导致图像或视频中的行人分辨率低，同一个人在不同相机出现特征差距较大。用于深度学习的数据集规模和数量相对实际数据较小，而大规模数据库训练得出的结果更符合实际。

发明内容

本发明针对现有行人再识别技术存在的不足，提出了一种基于生成式网络图像超分辨率技术的行人再识别方法，通过拉普拉斯金字塔生成式对抗网络(LAPGAN)将低分辨率图像转换成高分辨率图像，再利用传统方法对获取的图像提取特征和度量学习提高图像识别的准确率，适用于任何场所。

为解决上述问题，本发明提供了一种基于生成式网络图像超分辨率技术的行人再识别方法，其主要步骤如下：

(1)利用LAPGAN网络生成高质量样本，扩大数据量；

(2)提取颜色和纹理特征；

(3)利用XQDA算法进行度量学习；

(4)利用multi-shot方法进行1∶N和N∶N评估。

所述步骤(1)包括以下步骤：本发明利用LAPGAN网络生成高质量图像，而LAPGAN包括生成模式和辨别模式两部分，分别通过上采样和下采样进行生成高质量图像和判别生成图像和原图像。

所述步骤(2)将生成的图像与原图像一起提取LOMO特征和Dense Correspondence特征，并将两种特征进行融合。LOMO特征分别用Retinex算法提取HSV颜色特征，SILTP(Scale Invariant Local Ternary Pattern)描述器处理光照不变情况下的纹理特征；Dense Correspondence包括Dense Color Histogram和Dense SIFT，其中Dense ColorHistogram提取LAB颜色直方图，Dense SIFT是一种对颜色直方图补充的特征。