[发明专利]基于深度融合神经网络行人重识别技术的智能监控方法

权利要求书

1.一种基于深度融合神经网络行人重识别技术的智能监控方法，其特征在于，包括如下步骤：

S1、从监控视频中逐帧获取图像；

S2、对图像进行色彩增强的预处理，之后，将其发送至提取手工特征的局部最大值结构和提取深度特征的神经网络中；

S3A、提取传统手工特征，具体为：使用局部最大池化算法提取特征向量，使用预设尺度的方格以一定步长遍历整张图片，并对每个方格里的图像提取颜色特征和纹理特征，然后对整个特征向量进行降维处理；

S3B、使用深度残差卷积神经网络对图像进行提取和高斯池化；

S4、将降维之后的传统手工特征和训练完好的神经网络提取到的深度特征进行融合，完成对目标行人的识别；

S5、对识别到的行人进行跟踪，并在跟踪置信度降低至某一个阈值时重复上述流程进行重识别，同时，对识别的结果进行预设样式的标注显示。

2.根据权利要求1所述的基于深度融合神经网络行人重识别技术的智能监控方法，其特征在于，所述色彩增强的预处理具体为：使用多尺度图像增强算法分别使用三种不同尺度的高斯参数对得到的图像进行色彩增强。

3.根据权利要求2所述的基于深度融合神经网络行人重识别技术的智能监控方法，其特征在于，所述传统手工特征的提取中，颜色特征的提取包括：将进行过预处理的图像由RGB转化为HSV颜色空间，并在此基础上得到图像的颜色直方图；纹理特征的提取具体为使用尺度不变的三值模式编码技术提取，所述降维处理具体为：使用高斯池化，将数据以预设大小进行切块，之后分别获取切块数据的原点矩和中心矩以表示块中数据，从而实现对整个特征向量的降维。

4.根据权利要求2所述的基于深度融合神经网络行人重识别技术的智能监控方法，其特征在于，所述S3B具体为：动态模糊神经网络将预处理后的图像随机切除，之后重新调节至预设尺寸，并传入到深度神经网络ResNet50中，输入图像依次通过卷积层、局部归一化层、修正线性激活函数、最大池化的处理，之后进入卷积模块进行降维处理，每经过一个降维模块，图像的尺寸都会减少2*2。

5.根据权利要求1～4任一项所述的基于深度融合神经网络行人重识别技术的智能监控方法，其特征在于，所述S4具体为：使用4096维度的全连接融合层分别连接两个向量的输出，之后进行正则化、批量归一化、非线性激活等操作，最后连接至分类器，采用softmax函数接受结果并给出预测值，从而完成对目标行人的识别。

6.根据权利要求5所述的基于深度融合神经网络行人重识别技术的智能监控方法，其特征在于，所述步骤S4具体包括如下步骤：

S41、将降维之后的传统手工特征和训练完好的神经网络提取到的深度特征进行融合，融合后总的特征表示为：

F_z＝[F_h，F_d]

其中，F_d为从ResNet50模型中得到的深度特征向量，F_h为经过高斯池化降维之后的传统手工特征；

S42、将传统手工特征连接到拼接层中，依次连接批量归一化、非线性激活函数后进行分类器的连接操作，具体表示为：

式中h(·)代表激活函数，和b_f表示连接层的权重系数和迁移向量，

μ_z和σ_z代表均值和方差的特性，之后连接至分类器，此处使用softmax结构作为分类的一层，具体为：

其中，x表示上一层神经网络的输出构成的向量，θ为经过训练得到的形参向量，分母的存在是为了对预测输出进行归一化。

利用交叉熵损失函数，记交叉熵损失为J，则有

其中，p_k表示第k个输出所对应的softmax输出值(也可理解为神经网络预测为k结果的概率)。