[发明专利]一种行人重识别的方法及系统

说明书

本发明提供一种行人重识别方法及系统，其中行人重识别方法包括获取多个行人图像，构建样本数据集：对所述样本数据集进行训练，构建行人特征提取网络；采用所述行人特征提取网络对行人图像进行特征提取预处理，得到具有多特征通道的第一特征图，对所述第一特征图进行分区处理，得到第二特征图，并对所述第二特征图进行特征提取，得到标准特征参数；获取待测行人图像：提取所述待测行人图像的特征，得到所述待测行人图像的特征参数；计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数；根据所述相似度参数完成行人重识别；如此，经过加权的分区特征提取方式提取到的特征更加具有判别性，从而提高了深度模型的判别能力。

技术领域

本发明涉及一种模式识别技术领域，特别是涉及一种行人重识别的方法及系统。

背景技术

近年来，随着人们对社会的公共安全越来越关注，视频监控系统大量普及。诸如机场、火车站、校园和办公大楼等公众场所，都亟需监控，为安防保驾护航。面对海量的监控视频数据，大量的人力需要投入到视频信息的监控与检索中去，这种方式的效率不仅低，还造成了额外资源浪费。如果能够利用计算机视觉分析技术，自动化监控及分析视频信息，必然可以极大地加快“平安城市”的建设。

行人重识别是计算机视觉的研究中关键的任务。一般来说，给定关于行人的一张图片或者一段视频，行人重识别就是在没有重叠区域的摄像头拍摄到的图片或者视频中，将同一个人识别出来的过程。尽管相关的研究越来越受到重视，行人重识别的准确率也已经提高了不少，但仍有许多困难需要解决。由于待识别的行人图片与原图片拍摄于不同的相机，设备的差异会给成像条件带来误差；不同的场景下的环境不一致，采集的数据也会产生不同的偏差；且光照的改变会使得同一种颜色的表现不同；更重要的是，行人在摄像头下的姿态变化以及遮挡问题，都使得对同一个人的辨别难度相当大。

近年来，由于深度学习的浪潮，卷积神经网络被广泛应用于行人重识别领域，通过深度网络提取图像特征，并且在相应的特征空间上使用深度学习或者传统方法进行距离度量，大大提高了行人重识别的准确率。这些工作的进展皆得益于深度卷积网络模型在特征提取上的能力，但在判别能力的探索上却局限于给定的特征空间，也因此限制了深度模型判别能力的提高。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种行人重识别方法及系统，用于解决现有技术中识别精度不够高的问题。

为实现上述目的及其他相关目的，本发明提供一种种行人重识别方法，包括：获取多个行人图像，构建样本数据集；对所述样本数据集进行训练，构建行人特征提取网络；采用所述行人特征提取网络对所述行人图像进行特征提取预处理，得到具有多特征通道的第一特征图，对所述第一特征图进行分区处理，得到第二特征图，并对所述第二特征图进行特征提取，得到标准特征参数；获取待测行人图像；提取所述待测行人图像的特征，得到所述待测行人图像的特征参数；计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数；根据所述相似度参数完成行人重识别。

可选的，所述获取多个行人图像包括：获取原始图像；对所述原始图像进行检测，根据检测结果定位并剪裁得到行人区域图像；对所述行人区域图像缩放调整，得到固定大小的行人图像。

可选的，所述采用所述行人特征提取网络对所述行人图像进行特征提取预处理，得到具有多特征通道的第一特征图，对所述第一特征图进行分区处理，得到第二特征图，并对所述第二特征图进行特征提取，得到标准特征参数包括：对所述第一特征图按照细粒度进行分区处理，得到第二特征图；连接所述第二特征图的各个区的通道数据；对所述各个区的通道数据进行压缩，得到多个通道特征向量；对所述通道特征向量进行全连接计算，得到第一通道数据；通过激活函数计算所述第一通道数据的权重值；将所述第一通道数据的权重值与所述通道数据逐个加权相乘，得到初始特征参数；对所述初始特征参数进行卷积和全连接计算，得到标准特征参数。