[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

说明书

本发明提供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。本发明方法对获取的图像进行色彩增强的预处理后，对其提取传统手工特征和深度残差卷积神经网络对图像进行提取，之后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。本发明与现有技术相比，识别精度大大提高，本发明中包含的行人重识别算法将识别成功率提升到了81.74％，使得该技术完全可实用化。行人重识别的过程均为自动完成，不会因为人员疲劳而遗失细节。

技术领域

本发明涉及智能监控技术领域，尤其涉及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。

背景技术

行人重识别也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。由于不同摄像设备之间的差异，行人兼具刚性和柔性的特性，外观易受穿着、尺度、遮挡、姿态和视角等影响，因此，行人重识别成为计算机视觉领域中一个既具有研究价值又极具挑战性的热门课题。

当前，行人重识别的研究方法主要有两种：基于手工特征的方法和基于深度特征的方法。基于手工特征的方法通常要找到一种鲁棒性良好的特征以解决光照和视角变化带来的影响，该方法多与度量学习进行结合；而基于深度特征的方法则着重从训练数据中得到匹配于标签的自适应结构，从而实现对目标行人端对端的识别。近年来，卷积神经网络提取的深度特征已经被证明有着良好的鲁棒性。自2014年被引入行人重识别领域后，基于卷积神经网络的深度特征学习和深度距离度量成为行人重识别的主流。此后的行人重识别算法多是对其进行了结构上的改进，包括Weihua Chen于2017年提出的基于triplet loss的交叉神经网络、Yifan Sun于2017年提出的基于奇异值分解的奇异值神经网络(SVDNet)和基于人体关节结构特征的SpindleNet。这些算法都有不俗的表现，但是在鲁棒性上仍然有待提升。2016年，郑伟诗提出以手工特征和深度特征融合的方式进行重识别。该算法推导了损失函数到每一个参数的反向传播过程，也证明了传统手工特征对神经网络参数的约束，但是在实际应用中该神经网络难以训练，收敛速度很难保证，并且手工特征和深度特征的耦合很微弱。

发明内容

根据上述提出的技术问题，而提供一种基于深度融合神经网络行人重识别技术的智能监控系统。本发明从手工特征和深度特征两方面着手，从而有效提高匹配率。本发明采用的技术手段如下：

如图1所示，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，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。

进一步地，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。

进一步地，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。