[发明专利]行人重识别系统的实现方法

说明书

行人重识别系统的实现方法，涉及行人重识别技术。包括以下步骤：1)对监控视频进行离线建模，具体包括行人检测和行人特征提取；2)在线检索：在进行在线检索时，共进行两个排序，首先对于每个视频中的行人按照同检索目标的相似度进行排序，然后对于所有检索视频计算一个包含检索目标的可能性，将视频进行排序。在实际应用中采用将深度特征和手工特征相结合的方法。采用融合分类损失和三元组损失两种损失函数的网络结构进行深度特征学习，两种损失函数的融合充分利用了数据集的标签信息以及图像对的相似性信息，使得在数据集较小的情况下也可以获得有效的具有区分性的行人特征。采用改进的三元组损失函数，训练效果更优。

技术领域

本发明涉及行人重识别技术，尤其是涉及基于深度特征和手工特征结合的监控视频下的行人重识别系统的实现方法。

背景技术

近年来，随着互联网以及信息技术的发展，监控视频被应用于超市、地铁和商场等诸多公共场所，成为维护公共安全、协助公安部门破案的重要工具。当有案件发生并锁定嫌疑人后，可以通过查看监控视频进行追踪。目前，对嫌疑目标的定位主要采用人工排查的方式，即需要办案人员对视频进行逐个查看以确定是否包含嫌疑目标，由于监控视频数量庞大，该方式不仅耗费大量人力，而且效率低下。因此，需要采用行人重识别技术来对视频进行筛选，提取最可能包含嫌疑目标的视频片段。

行人重识别是指判断出现在不同监控摄像头下的行人是否为同一行人，对于两张行人图像，首先进行特征提取，然后计算两个行人的特征的相似度。

在特征提取部分，由于不同的监控摄像头通常视角和光照条件等环境因素会发生变化，行人的外貌特征可能变化较大，因此设计对行人外貌特征具有鲁棒性的行人特征是行人重识别中的一个关键问题。传统方法中采用的行人特征为手工特征。通常提取行人的服装以及携带物品的外貌特征(可以参考文章Gray,Douglas,and H.Tao.ViewpointInvariant Pedestrian Recognition with an Ensemble of Localized Features.Computer Vision-ECCV 2008,European Conference on Computer Vision,Marseille,France,October 12-18,2008,Proceedings DBLP,2008:262-275.)，包括颜色特征(RGB，HSV，Lab等)和纹理特征(LBP，Gabor滤波等)。近年来，随着深度学习在计算机视觉的诸多领域中取得显著效果，逐渐也有研究将深度特征应用于行人重识别问题。目前，常用于学习行人深度特征的模型有两类，第一类是分类模型，训练过程中，该类模型将行人重识别问题看成一个多分类问题，以单张行人图像以及行人的类别信息作为输入，输出层为行人的类别，采用Softmax损失函数。第二类是三元组网络，该类网络的输入为三张图像，一张锚点图像，一张与锚点图像为同一行人的正样本图像以及一张与锚点图像为不同行人的负样本图像。通过训练使同一行人特征间的距离小于不同行人特征间的距离(可以参考文章S.Ding,L.Lin,G.Wang,and H.Chao.Deep feature learning with relative distancecomparison for person reidentification.Pattern Recognition,2015.)。在应用网络进行特征提取时，采用全连接层的输出作为图像的特征。