[发明专利]一种基于轻量化卷积神经网络的行人重识别方法

说明书

本发明涉及一种基于轻量化卷积神经网络的行人重识别方法，包括以下步骤：步骤S1:从大型公用数据集中提取取行人重识别数据集；步骤S2:采用中值滤波的方法对人重识别数据集进行图像平滑的预处理操作，得到预处理后的数据集；步骤S3:将预处理后的数据集，采用灰度拉伸的图像增强的算法进行处理，得到增强后的数据集；步骤S4:根据得到的增强后的数据集训练轻量化卷积神经网络，得到训练好的轻量化卷积神经网络模型；步骤S5:将目标人物的图片和待识别匹配的行人图像分别输入训练好的轻量化卷积神经网络模型中，判断待识别匹配的行人是否为目标人物。本发明能够有效地实现行人重识别。

技术领域

本发明涉及模式识别与计算机视觉领域，具体涉及一种基于轻量化卷积神经网络的行人重识别方法。

背景技术

在人的感知系统所获得的信息中，视觉信息大约占到80％-85％。图像与视频等相关的应用在国民日常生活的地位日益突出。图像处理学科既是科学领域中具有挑战性的理论研究方向，也是工程领域中的重要应用技术。行人重识别(Person Re-identification)，是近几年智能视频分析领域兴起的一项新技术，属于在复杂视频环境下的图像处理和分析范畴，是许多监控和安防应用中的主要任务，并且在计算机视觉领域获得了越来越多的关注。

行人重识别是指在已有的可能来源于非重叠摄像机视域的视频序列中识别出目标行人。在监控视频中，由于相机分辨率和拍摄角度等缘故，通常无法得到质量非常高的人脸图片。当人脸识别失效的情况下，行人重识别就成为了一个非常重要的替代品技术。行人重识别有一个非常重要的特性就是跨摄像头检索出不同摄像头下的相同行人图片。当多个镜头是无重叠的，视域完全不同，假设我们要对在摄像头2中拍摄到的目标个体1在其它镜头中进行重识别，需要在其他的摄像头中定位到这个目标，除了目标本身在不同镜头下外观上的不同，还会受到其他个体的影响，比如在摄像头2中目标个体1需要与摄像头1中的4个目标个体都进行比较。因此研究该问题对公共安全和刑侦有着非常重要的现实意义。

行人重识别的研究面临着诸如图像分辨率低、视角变化、姿态变化、光线变化以及遮挡等带来的诸多挑战。

发明内容

有鉴于此，本发明的目的在于提供一种基于轻量化卷积神经网络的行人重识别方法，能够有效地实现行人重识别。

为实现上述目的，本发明采用如下技术方案：

一种基于轻量化卷积神经网络的行人重识别方法，包括以下步骤：

步骤S1:从大型公用数据集中提取取行人重识别数据集；

步骤S2:采用中值滤波的方法对人重识别数据集进行图像平滑的预处理操作，得到预处理后的数据集；

步骤S3:将预处理后的数据集，采用灰度拉伸的图像增强的算法进行处理，得到增强后的数据集；

步骤S4:根据得到的增强后的数据集训练轻量化卷积神经网络，得到训练好的轻量化卷积神经网络模型；

步骤S5:将目标人物的图片和待识别匹配的行人图像分别输入训练好的轻量化卷积神经网络模型中，判断待识别匹配的行人是否为目标人物。

进一步的，所述大型公用数据集包括PRW,CAMPUS,Market-1501，VIPeR，CUHK03。

进一步的，所述中值滤波的方法具体为:

步骤S21:将模板在图中漫游，并将模板中心与途中像素位置重合；

步骤S22:读取模板下各对应像素的灰度值，并将这些灰度值从小到大排成一列；

步骤S23:找出这些值里排在中间的一个，将这个中间值赋给对应模板中心位置的图像。