[发明专利]一种面向多区域大规模特征的匹配方法

权利要求书

1.一种面向多区域大规模特征的匹配方法，其特征在于，包括以下步骤：

步骤1：根据预先训练好的特征提取模型，对经过摄像头的行人进行图像特征提取，提取的特征包括头部特征、面部特征、肢体特征、外观衣着特征；

步骤2：对提取的特征按照摄像头的地理位置分为出入口区域、非出入口区域；将行人特征按照进入和离开的方向进行分类，获得进入方向的特征集合、离开方向的特征集合；所述出入口区域是指商场、零售店、超市大型场所的进出口，包含有地下室乘坐直梯的入口；所述非出入口是指商场内部各个门店；

步骤3：对出入口区域进行类内聚类、非出入口多个区域进行类内聚类分别得到类内聚类结果；

步骤4：对出入口区域和非出入口区域进行类间聚类，得到类间聚类结果；

步骤5：根据类内聚类结果和类间聚类结果，对多区域的特征匹配进行关联，从而达到全局区域的聚类结果；

所述特征提取模型的生成过程如下：

通过商场摄像头获取视频，将视频中的行人根据预存的标注文件进行标注，获取的目标，将其作为特征提取的检测样本，其中，所述标注文件包括预设的目标行人特征、以及特征所属的类别；

按照预设比例，将检测样本分为训练集和验证集，对特征提取模型进行训练，获得所述训练好的特征提取模型；

在反复执行训练集和验证集的基础上，不断地调整特征提取模型的参数，该参数包括学习速率、优化方法、权重和速率更新方法；

步骤5具体为：对步骤3和步骤4的结果进行连接处理，连接的规则是在出入口区域出现的特征类别应在非出入口区域同样存在。

2.根据权利要求1所述的一种面向多区域大规模特征的匹配方法，其特征在于，步骤3中，采用类内聚类方法对出入口和非出入口分别进行聚类，得到出入口和非出入口聚类结果；具体包括：

301)确定各行人图像特征对应的特征数据点的向量维度；

302)基于将每个特征点均作为一个类别的情况下，将距离最近的两个类别划分为一类，循环迭代该步骤，直至聚类完成，得到聚类结果；其中，当所述两个类别均各自包括一个特征数据点时，根据欧式距离公式或者余弦距离公式，计算两个类别之间的距离。

3.根据权利要求2所述的一种面向多区域大规模特征的匹配方法，其特征在于，将距离最近的两个类划分为同一个类，循环迭代所有的类，直至聚类完成，得到聚类的结果，具体过程如下：

根据预设阈值和两个类别之间的距离，确定是否对两个类别进行聚类；若所述两个类别之间预设的阈值大于两个类别之间的距离，则对两个类别进行聚类。

4.根据权利要求1所述的一种面向多区域大规模特征的匹配方法，其特征在于，步骤4中，所述对出入口区域和非出入口区域进行类间聚类，得到聚类结果，具体包括如下步骤：

步骤401：计算各行人图像特征在出入口区域的特征矩阵和在非出入口区域的特征矩阵；

步骤402：在把每个特征点均作为一个类别的情况下，将距离最近的两个类别划分为一类，循环迭代该步骤，直至聚类完成，得到聚类结果；其中，当所述两个类别均各自包括一个特征数据点时，根据欧式距离公式或者余弦距离公式，计算两个类别之间的距离；

步骤403：根据预设阈值和两个类别之间的距离，确定是否对两个类别进行聚类；若所述两个类别之间预设的阈值大于两个类别之间的距离，则对两个类别进行聚类。

5.根据权利要求4所述的一种面向多区域大规模特征的匹配方法，其特征在于，步骤4中，将出入口区域的聚类结果、出入口和非出入口之间的聚类结果进行关联，得到出入口区域和非出入口所有区域的聚类结果，从而达到全局区域聚类相同的效果。