[发明专利]一种基于显著性模型下多尺度特征的行人重识别方法

权利要求书

1.一种基于显著性模型下多尺度特征的行人重识别方法，其特征在于，具体步骤如下：

步骤1，首先根据原始行人图像对图像进行超像素分割；

步骤2，将经步骤1分割后的原图像转为超像素图像，并对得到的超像素图像进行显著性提取，得到行人图像的显著性图；

步骤3，将经步骤2得到的行人图像的显著性图输入到Resnet-50卷积神经网络中进行训练，当训练损失达到最低时即训练结束，并提取出行人图像的显著性图的显著性特征；

步骤4，将原始行人图像输入到另一个Resnet-50卷积神经网络中进行训练，当训练损失达到最低时即训练结束，并提取出原始行人图像的卷积特征；

步骤5，将经步骤3和步骤4得到的显著性特征和卷积特征进行融合，将两个不同的特征进行加权，得到加权后的融合特征；

步骤6，利用经步骤5得到的融合特征对行人图像数据库中的图像特征进行距离度量，根据度量后的不同距离进行图像排序，识别出高契合度的行人图像，最终检索出特定行人图像。

2.根据权利要求1所述的一种基于显著性模型下多尺度特征的行人重识别方法，其特征在于，所述步骤1具体内容为：根据原始数据库中的行人图像，对行人图像进行超像素分割，将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类。

3.根据权利要求2所述的一种基于显著性模型下多尺度特征的行人重识别方法，其特征在于，所述步骤1具体包括以下步骤：

步骤1.1，初始化种子点，即聚类中心：按照设定的超像素个数，在图像内均匀的分配种子点；假设图片总共有N个像素点，预分割为K个相同尺寸的超像素，每个超像素的大小为N/K，则相邻种子点的步长近似为S＝sqt(N/K)；

步骤1.2，在种子点的n*n，n＝3，邻域内重新选择种子点，具体方法为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；

步骤1.3，在每个种子点周围的邻域内为每个像素点分配类标签；

步骤1.4，距离度量，包括颜色距离和空间距离；对于每个搜索到的像素点，分别计算它和该种子点的距离，距离计算方法如下：

式中，dc为颜色距离，ds为空间距离，Ns为类内最大空间距离，定义为Ns＝S＝sqrt(N/K)，Nc为最大的颜色距离；

步骤1.5，迭代优化，上述步骤不断迭代直到误差收敛，新建一张标记表，表内元素均为-1，按照“Z”型走向将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素，遍历过的像素点分配给相应的标签，直到所有点遍历完毕为止。

4.根据权利要求1所述的一种基于显著性模型下多尺度特征的行人重识别方法，其特征在于，所述步骤2具体包括以下步骤：

根据步骤1中得到的超像素信息图像分别计算每一个超像素点的显著性，通过计算每一个像素点i到超像素点的距离作为图像的显著性，分别需要计算全局、边缘和边缘的显著性，具体内容包括以下步骤：

步骤2.1，首先计算每个超像素点的全局显著性，对于超像素i，计算i到所有超像素点的距离之和，作为这个点的显著性，如下式：

为了便于显示，对其进行规范到[0,255]：

之后用Sa(i)代替超像素点的灰度值；

步骤2.2，计算每个超像素块边缘的显著性，求距离之和时先判断j是否处于边缘，设一阈值，当某点距离边缘的距离小于阈值，则认定为边缘点，如下式(4)：

步骤2.3，计算每一个超像素块的局部显著性，首先判断i与j的欧氏距离是否小于某个阈值，如果小于，则按下式计算显著性：