[发明专利]基于多层次深度学习网络的行人重识别方法及系统

说明书

本发明公开了基于多层次深度学习网络的行人重识别方法及系统，获取待进行行人重识别的图像；对待进行行人重识别的图像中的一幅，标记待重识别行人的标签；将已标记的图像和未标记的图像，输入到预训练的多层次深度学习网络中；预训练的多层次深度学习网络通过提取已标记图像的融合特征，提取未标记图像的融合特征；所述融合特征包括行人的局部特征和行人的全局特征；计算已标记图像的融合特征与未标记图像的融合特征之间的距离；按照距离从小到大对未标记图像中的行人进行排序，将排序前M个的未标记图像中的行人进行标记，输出未标记图像中对待重识别行人的标记结果。

技术领域

本公开涉及行人重识别技术领域，特别是涉及基于多层次深度学习网络的行人重识别方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

行人重新识别(re-ID)是指在不同摄像机拍摄的视频或图像中查询目标人物的方法。行人重识别的过程，是指对于在监控视频中出现的目标人物，当该目标人物在其他监控区域中再次出现时能够将该目标重新识别出来的过程。最近深度学习在提取行人特征或提高距离学习算法的鲁棒性方面取得了很高的成就。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

通过深度学习提取的行人特征可以分为两种类型：全局特征和局部特征。从整张图片中提取的行人特征称为全局特征。全局特征具有不变性，直观性，易于计算。全局特征通常包含了行人图片中最直观的信息(如行人衣服的颜色)，这些全局信息有助于判别不同身份的行人。但是，大多数现有的行人重识别方法在提取全局特征的同时，也会导致图片局部的一些细节部分(如帽子，腰带等)被忽略。例如，如果两个人穿着相同颜色的衣服，而其中一个人戴着帽子，那么仅通过提取全局特征，对于局部特征的忽略使得两个人很难整体的外观上区分开来。现有技术中也存在利用深度学习提取局部特征方法来解决行人重识别问题。基本过程是通过深度学习网络去提取行人的局部特征，并根据显著的局部细节特征去匹配行人的身份(ID)。通过神经网络提取行人各个身体部位的局部特征信息。局部特征间的特征相似度低，更有利于识别行人。但是，提取局部特征的方法在一定程度上忽略的整体信息，且在多个网络层学习局部特征的同时也会产生部分特征的丢失，使得准确率有所降低。

发明内容

为了解决现有技术的不足，本公开提供了基于多层次深度学习网络的行人重识别方法及系统；

第一方面，本公开提供了基于多层次深度学习网络的行人重识别方法；

基于多层次深度学习网络的行人重识别方法，包括：

获取待进行行人重识别的图像；

对待进行行人重识别的图像中的一幅，标记待重识别行人的标签；

将已标记的图像和未标记的图像，输入到预训练的多层次深度学习网络中；预训练的多层次深度学习网络通过提取已标记图像的融合特征，提取未标记图像的融合特征；所述融合特征包括行人的局部特征和行人的全局特征；

计算已标记图像的融合特征与未标记图像的融合特征之间的距离；

按照距离从小到大对未标记图像中的行人进行排序，将排序前M个的未标记图像中的行人进行标记，输出未标记图像中对待重识别行人的标记结果，M为正整数，M为设定值。

第二方面，本公开还提供了基于多层次深度学习网络的行人重识别系统；

基于多层次深度学习网络的行人重识别系统，包括：

获取模块，其被配置为：获取待进行行人重识别的图像；

标记模块，其被配置为：对待进行行人重识别的图像中的一幅，标记待重识别行人的标签；