[发明专利]基于时空信息的行人重识别聚类方法及装置

说明书

本发明提供一种基于时空信息的行人重识别聚类方法及装置，行人重识别聚类方法包括：基于待识别的行人图片集，应用神经网络模型进行特征提取，确定每个行人图片的特征表达；基于所述每个行人图片的特征表达，应用欧几里得距离计算进行相似度匹配，以确定第一特征聚类；基于所述第一特征聚类中的特征表达，应用基于密度的时空聚类算法，确定符合所述时空聚类算法的核心点以及核心点之间的连接边；基于所述核心点和所述连接边，应用图注意力网络，更新所述第一特征聚类的特征表达；基于更新后的所述第一特征聚类的特征表达和预设的特征阈值，进行相似度判断，确定第二特征聚类。本发明的基于时空信息的行人重识别聚类方法能够提高匹配准确度。

技术领域

本发明涉及神经网络领域，特别是涉及一种基于时空信息的行人重识别聚类方法及装置。

背景技术

目前，行人重识别技术主要关注图像上的匹配，而忽略行人在区域内移动所产生的空间和时间的关联，对此，部分研究人员利用行人抓拍图片的时空信息进行建模，统计训练集中所有行人轨迹时空上的分布，从而得到两两摄像头之间同一行人两次出现被抓拍的时间差的分布直方图作为先验信息，与特征相似度一起对行人身份进行辨别。但由于行人轨迹具有很大的不确定性，若直接通过行人重现的时空关系来定义行人行动，在点位较多的情况下其时空分布会愈加趋近随机，且会将行动模式不符合概率的少数人排除于匹配之外。

因此，如何在行人重识别处理中考虑时空信息并得到更准确地特征聚类是一个亟待解决的问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于时空信息的行人重识别聚类方法及装置，用于解决现有技术中未能在行人重识别处理中考虑时空信息并得到更准确地特征聚类的问题。

为实现上述目的及其他相关目的，本发明提供一种基于时空信息的行人重识别聚类方法，包括以下步骤：基于待识别的行人图片集，应用神经网络模型进行特征提取，确定每个行人图片的特征表达；基于所述每个行人图片的特征表达，应用欧几里得距离计算进行相似度匹配，以确定第一特征聚类；基于所述第一特征聚类中的特征表达，应用基于密度的时空聚类算法，确定符合所述时空聚类算法的核心点以及核心点之间的连接边；基于所述核心点和所述连接边，应用图注意力网络，更新所述第一特征聚类的特征表达。基于更新后的所述第一特征聚类的特征表达和预设的特征阈值，进行相似度判断，确定第二特征聚类，所述第二特征聚类表示同一行人的特征。

于本发明的一实施例中，所述神经网络模型的损失函数包括交叉熵损失函数和三元组损失函数。

于本发明的一实施例中，所述基于所述每个行人图片的特征表达，应用欧几里得距离计算进行相似度匹配，以确定第一特征聚类，包括：基于所述每个行人图片的特征表达，应用欧几里得距离计算公式，确定每两个特征表达之间的相似度；当所述相似度大于第一相似度阈值时，确定所述相似度对应的两个特征表达归属为所述第一特征聚类的一类。

于本发明的一实施例中，所述基于所述第一特征聚类中的特征表达，应用基于密度的时空聚类算法，确定符合所述时空聚类算法的核心点以及核心点之间的连接边，包括：基于所述第一特征聚类中的特征表达，应用所述基于密度的时空聚类算法，确定所述特征表达对应的时间距离矩阵和空间距离矩阵；遍历所述时间距离矩阵中的每个数据点和所述空间距离矩阵中的每个数据点；当第一数据点在预设的时间距离阈值范围内、第二数据点在预设的空间距离阈值范围内，且所述第一数据点和所述第二数据点对应同一特征表达时，记录所述同一特征表达，且计数；当所述计数的结果大于预设的节点阈值时，将所述计数对应的所述同一特征表达确定为符合所述时空聚类算法的核心点；连接每两个核心点形成所述核心点之间的连接边。