[发明专利]行人再识别方法、系统及计算机可读存储介质

说明书

本发明提供了一种行人再识别方法、系统及计算机可读存储介质，行人再识别方法，包括以下步骤：获取标定数据集，训练标定数据集形成分割模型；采集行人图像，对行人图像背景分割，获得前景图像和环境图像；提取包含行人的前景图像中行人的身形关键点，基于身形关键点对前景图像分割，形成感兴趣区域ROI；基于特征提取模型，对前景图像及感兴趣区域ROI特征提取，获得全局特征及加权特征，并串联构成多维特征向量；将多维特征向量与对目标行人提取的特征进行相似度对比，确定行人是否为目标行人。通过去除不同摄像头下抓拍行人的背景图像，消除了特征提取时的冗余特征，对于行人再识别的识别结果仅基于纯特征，减少了误识别情况的发生。

技术领域

本发明涉及智能监控领域，尤其涉及一种行人再识别方法、系统及计算机可读存储介质。

背景技术

随着时代进步和发展，当前社会环境越来越复杂，人们对自身人身安全的保障越来越重视。为此在商场、医院、地铁以及车站等人流密集场所，都部署了密集的高清摄像头，一方面提供便捷的视频监控管理，另一方面为公安破案和安防指挥提供很大的帮助。而这些密集高清摄像头则构成了可用于部署智能视频分析网格化的监控系统。

此类监控系统，通常采用传统的人工操作方式，发现并比对出特定目标的行人，由于人工操作方式完全依赖于人工审核与主观判断，很难有客观的评价标准，其效率和准确率是相当低下的，因此若能提供一种自动的行人比对方法，显得尤为重要。

在上述情况下，科技市场出现了一种行人再识别技术，行人再识别技术又叫行人重识别技术，负责在不同环境下的多摄像头场景中捕获到的多幅行人图像中，识别出特定目标的行人。具体地，行人再识别技术并非借助于人脸信息，而是综合衣着颜色、纹理等多维特征融合进行判断。

行人再识别技术的实现，有如深度学习兴起之前基于传统特征工程的度量学习的方法，提取全局颜色、纹理等特征结合加权特征，应用机器学习算法中的度量学习，计算特征之间的距离，使得类似目标之间距离更近，不同目标之间距离更远，以此来度量目标之间的相似性。正由于行人再识别技术的上述实现方式，受环境的干扰较多，在提取图像特征中往往包含背景的特征成分，由于同一目标行人在不同摄像头背景下呈现出来的背景各不相同、拍摄角度的不同也会导致提取的特征在一定程度上具有较大差异。

因此，需要一种新型的行人再识别方法，可将行人再识别中背景特征成分完全去除，并结合全局特征和加权特征得到融合特征，提高行人再识别的准确率。

发明内容

为了克服上述技术缺陷，本发明的目的在于提供一种行人再识别方法、系统及计算机可读存储介质，通过去除不同摄像头下抓拍行人的背景图像，消除了特征提取时的冗余特征，对于行人再识别的识别结果仅基于纯特征，减少了误识别情况的发生。

本发明公开了一种行人再识别方法，包括以下步骤：

S100：获取标定数据集，并训练所述标定数据集以形成分割模型；

S200：采集行人图像，基于所述分割模型对所述行人图像进行背景分割，以获得包含行人的前景图像和包含背景的环境图像；

S300：提取包含行人的所述前景图像中行人的身形关键点，基于所述身形关键点对所述前景图像分割，形成至少两个感兴趣区域ROI；

S400：基于特征提取模型，分别对所述前景图像及每一感兴趣区域ROI进行特征提取，获得基于所述前景图像的全局特征及基于每一感兴趣区域ROI的加权特征，并将所述全局特征与加权特征串联构成多维特征向量；

S500：将所述多维特征向量与对目标行人提取的特征进行相似度对比，以确定所述前景图像包含的行人是否为所述目标行人。

优选地，获取标定数据集，并训练所述标定数据集以形成分割模型的步骤S100包括：

S110：获取图像标定等级为像素级标定的标定数据集；