[发明专利]基于深度学习的行人重识别方法

说明书

本申请公开了一种基于深度学习的行人重识别方法。该方法可以包括：针对行人重识别的输入数据进行批量归一化，获得训练样本；建立深度特征提取网络架构进行特征提取；通过训练样本对深度特征提取网络架构进行训练；根据训练好的深度特征提取网络架构进行行人重识别。本发明解决了目前行人重识别网络特征提取能力弱、泛化能力差、模型鲁棒性差等缺陷，提高深度学习算法在行人重识别任务中的识别精度。

技术领域

本发明涉及计算机视觉领域，更具体地，涉及一种基于深度学习的行人重识别方法。

背景技术

行人重识别旨在从多个监控相机非重叠区域中实现对指定行人的检索。随着深度学习的发展，成为计算机视觉领域的研究热点。但是行人图像光照不一、姿态多样以及数据集样本太少等因素使得行人重识别任务具有很大的挑战性。行人重识别的研究分为基于传统的方法和基于深度学习的方法。传统的方法主要是依靠手工提取相关底层特征，例如HSV、SIFT、LBP和HOG等。但是传统方法难以实现较高的识别性能。

因此，有必要开发一种基于深度学习的行人重识别方法。

公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明提出了一种基于深度学习的行人重识别方法，其解决了目前行人重识别网络特征提取能力弱、泛化能力差、模型鲁棒性差等缺陷，提高深度学习算法在行人重识别任务中的识别精度。

本公开实施例提供了一种基于深度学习的行人重识别方法，包括：

针对行人重识别的输入数据进行批量归一化，获得训练样本；

建立深度特征提取网络架构进行特征提取；

通过训练样本对所述深度特征提取网络架构进行训练；

根据训练好的深度特征提取网络架构进行行人重识别。

优选地，针对行人重识别的输入数据进行批量归一化包括：

输入个数为n的数据，通过仿射变换得到一组新的数据ξ＝{x(1),x(2),…,x(n)}；

计算ξ＝{x(1),x(2),…,x(n)}的均值μ_ξ，即：

计算ξ＝{x(1),x(2),…,x(n)}的方差σ²ξ，即：

进行归一化处理，得到即：

通过对归一化后的数据进行尺度变化和偏移，得到批量归一化数据：

优选地，所述深度特征提取网络架构包括第一分支与第二分支；输入图像经过两个分支进行特征处理后，将两个分支的特征输入到多尺度池化模块中进行池化操作，然后将输出的特征输入到分类器中进行分类。

优选地，输入图像经过所述第一分支进行特征处理包括：

原始输入特征通过扩展形态学轮廓算法提取形态学特征；

通过局部二值模式算法提取纹理特征；

将纹理特征和形态学特征进行特征融合，融合方式为对应位置的像素值相加后取平均，得到融合后特征；

将融合后特征X送入错序注意力模块，得到H'，然后将H'再次输入到错序注意力模块，得到全局特征图H″。

优选地，原始输入特征通过扩展形态学轮廓算法提取形态学特征包括：