[发明专利]社区监控场景下基于关键点特征对齐的行人重识别方法

说明书

本发明涉及人脸检测、深度学习技术领域，具体公开了一种社区监控场景下基于关键点特征对齐的行人重识别方法，该方法在社区场景下对行人图像或视频进行多角度分析，对人体躯干在现实生活中的三维特征进行关键点标记对齐，其中，BF‑ASM对多姿态下的行人图像进行了精细化的特征选择以及对齐，而精细化分布式SILTP方法对细化的局部特征建立特征向量，并且经由加权计算整合出全局特征向量的特征表示，对建立的全局特征向量集合进行度量学习，自动地得出使识别差异度明显的马氏距离判断函数。本发明通过对人体的局部识别效果达到了细粒度的优化，在以往的行人重识别方法之上能够高效识别社区复杂场景下的行人，并且能够识别出特定的人群。

技术领域

本发明涉及图像检索、人工智能、深度学习技术领域，特别涉及一种社区监控场景下基于关键点特征对齐的行人重识别方法。

背景技术

行人重识别技术是图像检索中的一个重要研究领域，且在社区监控场景下适用于对行人进行关键点特征分析并识别，由各个特征的分析结果逐渐上升到全局的人体特征匹配结果，以完成对特殊人群的精确识别。行人重识别技术是行人识别的优化方向之一，突破摄像机分辨率、摄影角度以及行人状态的限制，能够从复杂的环境中针对行人得出有效的识别结果。

行人重识别是一项复杂的工作，仅仅靠某一部位的识别(如人脸识别)无法精确地判断出特殊人群，并且仅仅靠宽泛的外部特征(如帽子颜色、鞋子型号等)也无法对判断结果进行细化。

一般来讲，主要以部位匹配的方式实现行人重识别技术。针对来自于视频或者图像序列的数据源，可以根据人体在现实生活中的三维结构进行切割。其中，水平切割和矩形领域切割将行人图像分割为不同的部分以进行特征匹配，然而这种切割方式所产生的“部位”无法准确反映人体的现实特征。而根据部位(手、脚、头部等)进行分割可以减少位置误差，但是部位匹配时所产生的误差依赖于具体算法的设计。本发明以该匹配方式为基础，针对行人重识别技术的局限性以及部位匹配准确率的问题进行优化，提出了一种社区监控场景下的行人重识别方法，该方法由块及面，基于关键点特征对齐的方式，逐步上升到全局特征的匹配。其中与关键点特征对齐有关的技术优化和度量学习相关的内容为本专利的重点。

发明内容

为了解决对以往的行人重识别方法的局限性的分析与研究的问题，本发明的目的是提供一种社区监控场景下基于关键点特征对齐的行人重识别方法。该方法对局部特征识别的过程进行优化，提出基于人体部位关键点特征对齐和活动形状模型(active shapemodels，简称ASM)的人体特征识别算法，本发明将该方法命名为基于人体部位特征的ASM匹配模型(对应英文名称为Body features based active shape models，又称BF-ASM)，提高了行人重识别方法的识别准确率、精度以及效率。另外本发明在前人的方法上进行改进，提出了一种精细化分布式SILTP方法以进行局部特征的整合。并且，本发明还参考了度量学习的原理优化特征向量的距离函数，使行人重识别有更高的区分度。

为了解决上述技术问题，本发明的技术方案是：

一种社区监控场景下基于关键点特征对齐的行人重识别方法，包括以下步骤：

步骤1：提取来自于监控视频的行人图像数据，作为关键点特征点对齐模型的训练数据集；

步骤2：对训练集中的所有行人图像进行HSV直方图均衡化，并且经过两次下采样，以扩充原有训练集；

步骤3：对训练集中的所有行人图像标定其关键特征点，要求这些点能够以人体部位为单位形成轮廓；

步骤4：将标记好的训练集经由BF-ASM方法进行处理，生成针对该训练集的平均人体匹配模型；

步骤5：输入待检测行人图像，以步骤4中的平均人体匹配模型自动进行特征点标注，该模型能够调整其偏移量、角度、大小以标记待检测图像中的行人部位；