[发明专利]基于自适应特征聚类和多重损失融合的行人重识别方法

说明书

本发明提出了一种基于残差网的自适应特征聚类和多重损失融合的行人重识别方法，用于解决现有技术中行人重识别准确率低的技术问题，实现步骤为：构建基于50层残差网的自适应特征聚类网络；设计自适应特征聚类网络的损失函数；生成训练数据集和测试数据集；将训练数据集载入自适应特征聚类网络，结合数据增强策略，训练得到训练好的自适应特征聚类网络；对测试数据集进行测试。利用自适应特征聚类网络学习到了更具语义性的高层特征，并将其与中层特征相结合，得到了更全面的行人特征，使行人重识别达到较高的精度。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像识别技术领域中的一种基于自适应特征聚类和多重损失融合的行人重识别方法。本发明可用于对不同摄像头不同角度的监控视频得到的行人图像是否为同一行人进行识别。

背景技术

行人重识别是通过记录某一时刻出现在摄像头下的目标行人，与监控网络中其它摄像头所记录的行人图像进行对比，并在对比图像中快速找到目标行人，进而实现对目标行人跨摄像头的追踪与定位。通过对比行人图像并判断是否属于同一行人进行重识别，但由于同一行人的不同图像在拍摄角度、背景、光照强度都有所不同，所以得到的行人在姿态、外观、遮挡情况等也都存在差异，这些差异性将给行人重识别任务带来巨大的难度和挑战。

上海交通大学在其申请的专利文献“基于颜色区域特征的行人重识别方法及系统”(专利申请号：201410472544.8，申请公布号：CN104268583A)中提出了一种基于颜色区域特征的行人重识别方法。该方法实现的步骤是：行人前景分割、在线聚类颜色区域、颜色区域合并、颜色区域特征表示、颜色区域距离比较、识别目标。该方法首先采用STEL成分分析选取出视频中的行人目标，对提取的行人目标区域进行k-means在线聚类，得到原始的颜色区域；将相关颜色区域进行合并，得到最终的局部颜色区域；对提取出的颜色区域进行描述，采用外接矩形和区域面积作为描述子；以描述子作为行人重识别的特征表达，实现行人重识别。该方法存在的不足之处是，基于颜色区域构建的行人特征，过于注重颜色特性，使得拥有相同颜色衣服搭配的不同行人被判定为同一行人的错误率较高；该方法仅提取了手工设计的颜色区域特征，该特征缺乏鲁棒性，会使行人重识别的精度较低。

武汉大学在其申请的专利文献“一种基于ImageNet检索的监控视频行人重识别方法”(专利申请号：201510729442.4，申请公布号：CN105354548A)中提出了一种基于ImageNet检索的监控视频行人重识别方法。该方法实现的步骤是：视频预处理、行人检测、图像对齐、ImageNet图像检索、关联视频聚合。该方法首先计算视频帧中运动矢量的强度，排除视频中的大量低活动复杂度的无关背景帧，作为视频预处理；采用帧差法分离出动态视频帧中的活动目标，构造行人图像库；将行人图像库中的图像与目标行人图像进行尺寸和亮度的对齐；采用在ImageNet数据集上训练好的神经网络，以此提取行人图像库中的行人特征和目标行人特征；最后利用上述特征选用余弦距离作为测量标准，进行行人重识别。该方法存在的不足之处是，仅使用ImageNet数据集中的图像对网络做训练，没有使用标定的行人图像对网络做调整，这使得该方法对行人图像特征表征能力弱，从而使行人重识别的准确率偏低。

发明内容

本发明的目的在于针对上述现有技术存在的缺陷，提出了一种基于自适应特征聚类和多重损失融合的行人重识别方法，用于解决现有技术中存在的图像分类准确率低的技术问题。

实现本发明目的的思路是：搭建自适应特征聚类网络的主网络，以提取聚类后的行人特征向量，搭建自适应特征聚类网络的子网络，将主网络的损失值与子网络损失值结合组成自适应特征聚类网络，使自适应特征网络实现多重损失融合，并提高自适应特征聚类网络对行人图像的识别准确率。

本发明的具体步骤包括如下：

(1)搭建自适应特征聚类网络：

(1a)搭建自适应特征聚类网络的主网络：