[发明专利]一种基于人体骨骼关键点检测和非均等分区的行人重识别方法

说明书

本发明涉及一种基于人体骨骼关键点检测和非均等分区的行人重识别方法，包括步骤如下：(1)准备行人数据集，划分为训练集、验证集和测试集,标注训练集；(2)送入ResNet50网络，得到表征人体特征的tensor A；(3)依照人体骨骼区域相对不变性，按人体骨骼关键点对tensor A进行非均匀分区，分别表征人体的头、胸部、腹部、大腿、小腿、脚；(4)分别连接FC层，并用Softmax分类器分类；(5)验证及测试时，将n个特征向量合并计算相似度，实现行人重识别。本发明人体关键点检测和非均等分区的行人重识别方法具有更强的泛化能力和更高的准确性。

技术领域

本发明属于行人重识别技术领域，具体涉及一种基于人体骨骼关键点检测和非均等分区的行人重识别方法。

背景技术

行人重识别(Person Re-identification)也称行人再识别，简称为ReID，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，描述了一个人在不同物理位置分布的多个不重叠的摄像机视图的匹配过程。

这种技术可以广泛用于重新识别，跟踪或搜索先前在摄像机网络中的某个时间点观察到的人员。旨在弥补目前固定的摄像头的视觉局限，并可与行人检测、行人跟踪技术相结合，被广泛应用于计算机视觉、安全监控、行人搜索以及刑事调查等领域。

目前，行人重识别领域还是存在着很大的挑战和难度，主要原因包括以下几个方面：第一，行人重识别是在目标检测的基础上的进行的，目前不少检测结果存在很多遮挡和噪声：第二，相机成像问题。同一个相机在不同角度，不同光照，不同天气的情况下，对同一个行人的成像可能会出现偏差。第三，行人外观姿态的相似性，在实际生活场景中，不同的行人之间，衣着可能很相似。这些问题都会导致识别准确率降低，因此，提高行人重识别模型的泛化能力和准确性显得尤为重要。

目前，一种经典的实现方法为Beyond Part Models:Person Retrieval withRefined Part Pooling，其主干网络为Part-based Convolutional Baseline(PCB)。

PCB框架的流程是：

(1)对输入384*128行人图提取深度特征(ResNet50)，把最后一个block(averagepooling前)的下采样层丢弃掉，得到空间大小24*8的tensor T；

(2)将tensor T按照水平方向均匀分成6parts，即6个空间大小为4*8的tensor，然后各自进行average pooling，得到6个column vectors g；

(3)使用1*1卷积对g降维通道数，然后接6个FC层(权值不共享)，Softmax进行分类；

(4)训练时等于有6个cross-entropy loss；测试时则将6个vectors g合并在一起，再算相似度。

由此可见，PCB框架中的均匀分区方法中，未考虑到人体的结构信息。由于输入的图片中人体所占画面比例不同，PCB的均匀分区方法将导致人体区域划分不对应，各分区特征不匹配，从而造成模型泛化能力较差、误检率较高的结果。

发明内容

针对现有技术的不足，本发明提供了一种误检率低、泛化能力强的基于人体骨骼关键点检测和非均等分区的行人重识别方法。

术语解释：

1、LabelImg图片标注工具，是一个可视化的图像标定工具。

2、人体骨骼关键点，本发明所涉及的人体骨骼关键点共14个，在进行图片标注时，会将该14个人体骨骼关键点按序标出。人体骨骼关键点编号顺序如表1所示：

表1