[发明专利]一种基于自选择机制的实时行人检测与特征提取模块

说明书

本发明公开了一种基于自选择机制的实时行人检测与特征提取模块，包括行人检测模块，将一张图片中检测到的行人数量A、行人检测框和对应的行人特征B，传入到特征提取模块；特征提取模块，通过检测到的行人数量A在残差骨干网络模块中进行主干网络的筛选，将具体到每个人的行人特征B送入主干网络中相应的残差网络进行特征提取，同时结合朝向信息加以区分，而后将每个行人的行人全局信息、行人朝向信息与数据库中的行人相关信息进行比对识别；能够适应复杂监控场景下的行人重识别任务，并且可以即插即用，能够有效的解决现有行人重识别任务中在模型参数量大，存在大量冗余计算，同时面对实际情况适用性低、效率低下且泛化能力较差的问题。

技术领域

本发明涉及计算机视觉领域中的行人重识别技术领域，具体的说，是一种 基于自选择机制的实时行人检测与特征提取模块。

背景技术

行人重识别快速、准确的关键技术在于，它是利用机器学习结合计算机视 觉分析连续视频或图像中是否存在相同行人的技术。传统的行人重识别任务可 以简化为特征处理和特征比对识别，这是两个相对独立的任务，也是在监控场 景下实现人重识别的两个必须的步骤。其中，特征处理环节又可以划分行人检 测和特征提取这是两个相对独立的模块。其任务流程划分如图1所示。

然而目前大多数专利和研究都只针对特征提取模块进行研究，片面去追求 准确率，所做的工作很难去落地。同时，虽然有些学者针对行人检测和特征提 取的双重任务进行研究，但是提出的方法的行人重识别准确率较低，主要原因 是现有行人重识别算法都是“检测-识别”的框架体系，这种框架是合理的但 不是最优的，无法根据实际复杂场景自选择网络。同时数据关联过渡依赖于检 测的质量，行人检测的准确率会严重影响到行人重识别的准确率，所以利用单 一网络来实现行人重识别的思路没办法满足实际需求。

现有的残差18、残差34及残差50的网络结构表如表1所示：

表1

公开号为CN105224912B的专利公开了一种“基于运动信息和轨迹关联的 视频行人检测和跟踪方法”，但是其提出的方法没有对监控图像针对性训练， 采用滑窗搜索的方式提取特征，再用分类器检测，计算量大且效率低，无法满 足实际应用中的实时跟踪；

公开号为CN108764338A的专利提出的一种“应用于视频分析的行人跟踪 算法”，应用了光流法，颜色直方图法和Logistic回归分类器均在检测跟踪领 域逐渐抛弃的算法，性能已不能满足复杂场景下实时监控。

公开号为CN109871763A的专利提出一种基于YOLO的特定目标跟踪方 法，为现有“检测”加“跟踪”方法的叠加，这种框架各部分都为最优算法， 不能起到端到端的优化，同时算法计算量大，不适合移动设备的部署和移植。

参考【1】为，Han,Kai,et al.GhostNet:More features from cheapoperations.Proceedings ofthe IEEE/CVF Conference on CVPR.2020。

参考【2】为，Xiaolong Wang,Ross Girshick,Abhinav Gupta,Kaiming He. NonLocal NeuralNetworks.In CVPR,2018。

参考【3】为，Hao Luo,Youzhi Gu,Xingyu Liao,Shenqi Lai,Wei Jiang.BagofTricks andA Strong Baseline for Deep Person Re-identification.In CVPR,2019。

参考【4】为，Hu,Jie,Li Shen,and Gang Sun.Squeeze-and-excitationnetworks.Proceedings ofthe IEEE conference on CVPR.2018。