[发明专利]一种行人再识别方法及设备

说明书

本申请的目的是提供一种行人再识别方法及设备，本申请通过采用预设图像特征提取算法对探测行人的训练图像进行特征提取，得到探测行人特征向量，并基于探测行人特征向量建立训练分类器；当需要识别行人时，获取待识别行人的测试图像，并采用同样的预设图像特征提取算法继续对测试图像进行特征提取，得到待识别行人特征向量；并将待识别行人特征向量输入训练分类器进行待识别行人与所述探测行人是否为同一个人的识别，实现了基于预先训练好的训练分类器来对实时获取的待识别行人的训练图像进行分析，从而快速准确的识别出待识别行人是否与探测行人为同一人，进而可以在视频监控与追踪应用场景中实现对待识别行人的识别或对探测行人进行追踪等。

技术领域

本申请涉及视频领域，尤其涉及一种行人再识别方法及设备。

背景技术

在视频监视领域，当提交一个探测行人时，行人重识别方法就会提示该行人是否出现在另一个时间或地点摄像头拍摄的照片或视频中。近年来，由于公共安全需求提升和摄像头在公共场所的普及，行人重识别方法越来越受到研究者的关注。行人照片像素较低并且姿势不确定性大，因此被广泛使用的是颜色信息例如色彩直方图。色彩信息往往会和纹理特征合并作为行人重识别方法的特征向量。

行人重识别方法按照研究领域主要包含如下三类方法：行人描述子方法，该行人描述子方法通常着重于如何设计行人的特征，由于初始特征向量的维度较高，会使用适当的降维算法处理后得到低维的特征向量，其中，最常使用的特征为色彩和纹理特征，该行人描述子方法有较快的检测速度。距离度量学习方法，在行人重识别模型中，高维的特征无法在样本的多变性中捕获不变因子，因此距离度量至关重要，该距离度量学习方法能够增大不同行人之间的区别，减少同一行人的区别；该距离度量学习方法分为无监督学习方法和监督学习方法，也可分为全局学习方法和局部学习方法，其中，大部分的模型基于监督学习加上全局学习。基于深度学习的方法，在深度学习的方法中通常需要较大的网络架构，包括卷积层，池化层，全连接层等，能从原始像素中学习出不同的特征，该深度学习的方法无需人工设计特征，效果往往较为出色。

然而，现有的行人重识别方法中，为了追求运算速度，提取过少的原始特征会使方法鲁棒性不强，无法很好分辨不同视角、光照强度、姿势、背景、穿着的行人，但若在行人重识别的方法中提取的特征相对较多的话，往往会导致在特征建模时花费大量时间，致使算法运行速度较慢。因此，在行人重识别中如何实现性能与耗时之间取得平衡成为业界研究的主要课题。

发明内容

本申请的一个目的是提供一种行人再识别方法及设备。

根据本申请的一个方面，提供了一种行人再识别方法，其中，所述方法包括：

采用预设图像特征提取算法，对获取的探测行人的训练图像进行特征提取，得到所述探测行人特征向量，并基于所述探测行人特征向量建立训练分类器；

获取待识别行人的测试图像，并采用所述预设图像特征提取算法对所述测试图像进行特征提取，得到待识别行人特征向量；

将所述待识别行人特征向量输入所述训练分类器进行所述待识别行人与所述探测行人是否为同一个人的识别。

进一步地，上述行人再识别方法中，所述采用预设图像特征提取算法，对探测行人的训练图像进行特征提取，得到所述探测行人特征向量，包括：

获取所述探测行人的训练图像，并将所述训练图像分为至少一个训练区域，其中，每个所述训练区域包括一个或多个训练补丁，每个所述训练补丁由像素点组成；

分别对所述训练图像中每个像素点进行特征提取，得到所述训练图像中的每个像素点的初始特征向量；

分别在每个所述训练补丁中依序对所述初始特征向量进行高斯分布补丁的建模、对称正定矩阵(symmetric and positive definite matrix，SPD)映射及上三角矩阵处理，得到每个所述训练补丁对应的高斯补丁特征向量；