CN109886242A - 一种行人重识别的方法及*** - Google Patents
一种行人重识别的方法及*** Download PDFInfo
- Publication number
- CN109886242A CN109886242A CN201910156179.2A CN201910156179A CN109886242A CN 109886242 A CN109886242 A CN 109886242A CN 201910156179 A CN201910156179 A CN 201910156179A CN 109886242 A CN109886242 A CN 109886242A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- feature
- parameter
- image
- obtains
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000011282 treatment Methods 0.000 claims abstract description 20
- 230000004913 activation Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000001015 abdomen Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种行人重识别方法及***,其中行人重识别方法包括获取多个行人图像,构建样本数据集:对所述样本数据集进行训练,构建行人特征提取网络;采用所述行人特征提取网络对行人图像进行特征提取预处理,得到具有多特征通道的第一特征图,对所述第一特征图进行分区处理,得到第二特征图,并对所述第二特征图进行特征提取,得到标准特征参数;获取待测行人图像:提取所述待测行人图像的特征,得到所述待测行人图像的特征参数;计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数;根据所述相似度参数完成行人重识别;如此,经过加权的分区特征提取方式提取到的特征更加具有判别性,从而提高了深度模型的判别能力。
Description
技术领域
本发明涉及一种模式识别技术领域,特别是涉及一种行人重识别的方法及***。
背景技术
近年来,随着人们对社会的公共安全越来越关注,视频监控***大量普及。诸如机场、火车站、校园和办公大楼等公众场所,都亟需监控,为安防保驾护航。面对海量的监控视频数据,大量的人力需要投入到视频信息的监控与检索中去,这种方式的效率不仅低,还造成了额外资源浪费。如果能够利用计算机视觉分析技术,自动化监控及分析视频信息,必然可以极大地加快“平安城市”的建设。
行人重识别是计算机视觉的研究中关键的任务。一般来说,给定关于行人的一张图片或者一段视频,行人重识别就是在没有重叠区域的摄像头拍摄到的图片或者视频中,将同一个人识别出来的过程。尽管相关的研究越来越受到重视,行人重识别的准确率也已经提高了不少,但仍有许多困难需要解决。由于待识别的行人图片与原图片拍摄于不同的相机,设备的差异会给成像条件带来误差;不同的场景下的环境不一致,采集的数据也会产生不同的偏差;且光照的改变会使得同一种颜色的表现不同;更重要的是,行人在摄像头下的姿态变化以及遮挡问题,都使得对同一个人的辨别难度相当大。
近年来,由于深度学习的浪潮,卷积神经网络被广泛应用于行人重识别领域,通过深度网络提取图像特征,并且在相应的特征空间上使用深度学习或者传统方法进行距离度量,大大提高了行人重识别的准确率。这些工作的进展皆得益于深度卷积网络模型在特征提取上的能力,但在判别能力的探索上却局限于给定的特征空间,也因此限制了深度模型判别能力的提高。
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行人重识别方法及***,用于解决现有技术中识别精度不够高的问题。
为实现上述目的及其他相关目的,本发明提供一种种行人重识别方法,包括:获取多个行人图像,构建样本数据集;对所述样本数据集进行训练,构建行人特征提取网络;采用所述行人特征提取网络对所述行人图像进行特征提取预处理,得到具有多特征通道的第一特征图,对所述第一特征图进行分区处理,得到第二特征图,并对所述第二特征图进行特征提取,得到标准特征参数;获取待测行人图像;提取所述待测行人图像的特征,得到所述待测行人图像的特征参数;计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数;根据所述相似度参数完成行人重识别。
可选的,所述获取多个行人图像包括:获取原始图像;对所述原始图像进行检测,根据检测结果定位并剪裁得到行人区域图像;对所述行人区域图像缩放调整,得到固定大小的行人图像。
可选的,所述采用所述行人特征提取网络对所述行人图像进行特征提取预处理,得到具有多特征通道的第一特征图,对所述第一特征图进行分区处理,得到第二特征图,并对所述第二特征图进行特征提取,得到标准特征参数包括:对所述第一特征图按照细粒度进行分区处理,得到第二特征图;连接所述第二特征图的各个区的通道数据;对所述各个区的通道数据进行压缩,得到多个通道特征向量;对所述通道特征向量进行全连接计算,得到第一通道数据;通过激活函数计算所述第一通道数据的权重值;将所述第一通道数据的权重值与所述通道数据逐个加权相乘,得到初始特征参数;对所述初始特征参数进行卷积和全连接计算,得到标准特征参数。
可以理解,例如上述第一特征图有C个特征通道,对所述第一特征图按照细粒度进行分区处理,得到第二特征图,可以对第一特征图分成3个区,诸如可以分成头部、腹胸、腿部,每个粒度做独立的引导,使得模型尽量对每个粒度学习更多信息。按分区的划分方式,将具有C个通道数据的第一特征图的每个通道数据进行分区划分,生成分区的有C个通道数据的第二特征图,后续可以通过池化层进行处理,即对所述各个区的通道数据进行压缩,得到多个通道特征向量;再通过全连接层对所述通道特征向量进行全连接计算,得到第一通道数据;通过激活函数计算所述第一通道数据的权重值,一般的,计算权重的激活函数可以是sigmoid;将所述第一通道数据的权重值与第一特征图的所述通道数据逐个加权相乘,得到初始特征参数,再对所述初始特征参数进行卷积和全连接计算,得到标准特征参数。如此,可得到每个通道数据中每个区对应的权重数值,从而增强输入的第一特征图中较为显著的区域特征以及削弱输入的第一特征图中较为微弱的区域特征,经过加权的分区特征提取方式提取到的特征更加具有判别性,提升了行人重识别的准确率。此外,对整个分区的区域计算一个权重值,减少了参数的数量,提高了运行的效率。
可选的,所述行人重识别方法,还包括:将具有同一行人的所述行人图像标注为同一类,并赋一个编号表示,对不同类的所述行人图像赋不同编号表示。
一般的,可以通过行人检测算法进行所述行人图像检测处理或通过人工标注的方式进行行人区域标注。可以理解的,行人图像是指图像上至少有一个行人,当行人图像上有多个行人时,可以对该图像进行剪裁,以保证获得数量较多的可靠地样本,一般的,通过剪裁得到的行人区域图像的大小会有不同,为便于后续采用统一的算法进行处理,需要将各个行人区域图像调整为相同的大小,具体的尺寸大小可以实际操作的需求为准,在此不做限定。此外,对固定大小的行人区域图像进行分类处理,将具有同一行人的固定大小的行人区域图像标注为同一类,并给定一个编号,具有不同行人的固定大小的行人区域图像分成不同的类,并标注成不同的编号,如此,以便于后续的判断操作。
可选的,可以通过人工的方式来进行图像分类以及编号操作。
可选的,所述计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数包括:通过余弦相似度函数对所述待测行人图像的特征参数与所述标准特征参数进行计算,得到相似度参数。
可选的,根据所述相似度参数完成行人重识别包括:判断所述相似度参数是否超过预设数值;若否,判定待测行人图像与所述行人图像为同一类。
本发明还提供一种行人重识别***,包括:第一图像获取模块,用于获取多个行人图像,构建样本数据集;
训练模块,用于对所述样本数据集进行训练,构建行人特征提取网络;
特征提取模块,用于采用所述行人特征提取网络对所述行人图像进行特征提取预处理,得到具有多特征通道的第一特征图,对所述第一特征图进行分区处理,得到第二特征图,并对所述第二特征图进行特征提取,得到标准特征参数;
第二图像获取模块,获取待测行人图像;
所述特征提取模块还用于提取所述待测行人图像的特征,得到所述待测行人图像的特征参数;
判断模块,用于计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数,并根据所述相似度参数完成行人重识别。
可选的,所述第一图像获取模块包括:采集单元,用于获取原始图像;检测单元,用于对所述原始图像进行检测,根据检测结果定位并剪裁得到行人区域图像;调整单元,用于对所述行人区域图像缩放调整,得到固定大小的行人图像。
可选的,所述特征提取模块还用于:对所述第一特征图按照细粒度进行分区处理,得到第二特征图;连接所述第二特征图的各个区的通道数据;对所述各个区的通道数据进行压缩,得到多个通道特征向量;对所述通道特征向量进行全连接计算,得到第一通道数据;通过激活函数计算所述第一通道数据的权重值,一般的,计算权重的激活函数可以是sigmoid激活函数;将所述第一通道数据的权重值与所述通道数据逐个加权相乘,得到初始特征参数;对所述初始特征参数进行卷积和全连接计算,得到标准特征参数。
可选的,所述训练模块还用于将具有同一行人的所述行人图像标注为同一类,并赋一个编号表示,对不同类的所述行人图像赋不同编号表示。
可选的,所述判断模块包括:比对单元,用于通过余弦相似度函数对所述待测行人图像的特征参数与所述标准特征参数进行计算,得到相似度参数。
可选的,所述判断模块还包括:决策单元,用于判断所述相似度参数是否超过预设数值;若否,所述决策单元判定待测行人图像与所述行人图像为同一类。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述行人重识别方法。
如上所述,本发明提供的一种行人重识别方法及***,在对行人进行特征提取部分,对特征图像进行区处理,对所述各个区的通道数据分别进行压缩,得到各个分区的多个通道特征向量;对所述通道特征向量进行全连接计算,得到第一通道数据;通过激活函数计算所述第一通道数据的权重值,一般的,计算权重的激活函数可以是sigmoid激活函数;将所述第一通道数据的权重值与所述通道数据逐个加权相乘,可得到每个通道数据中每个区对应的权重数值,从而增强输入的行人图像中较为显著的区域特征以及削弱输入的行人图像中较为微弱的区域特征,经过加权的分区特征提取方式提取到的特征更加具有判别性,从而提高了深度模型的判别能力。
附图说明
图1显示为本发明的行人重识别方法流程图。
图2显示为本发明的行人重识别***的结构框图。
图3显示为本发明的行人重识别***的结构框图。
图4显示为本发明的行人重识别方法的流程示意图。
图5显示为本发明的行人重识别方法的测试结果对比图。
元件标号说明
10 第一图像获取模块
11 采集单元
12 检测单元
13 调整单元
20 训练模块
30 特征提取模块
40 第二图像获取模块
50 判断模块
51 对比单元
52 决策单元
S10~S70 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,本发明提供一种行人重识别方法,包括:
S10:获取多个行人图像,构建样本数据集;
S20:对所述样本数据集进行训练,构建行人特征提取网络;
S30:采用所述行人特征提取网络对所述行人图像进行特征提取预处理,得到具有多特征通道的第一特征图,对所述第一特征图进行分区处理,得到第二特征图,并对所述第二特征图进行特征提取,得到标准特征参数;
S40:获取待测行人图像;
S50:提取所述待测行人图像的特征,得到所述待测行人图像的特征参数;
S60:计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数;
S70:根据所述相似度参数完成行人重识别;
在某些实施方式中,步骤S10包括:获取原始图像;对所述原始图像进行检测,根据检测结果定位并剪裁得到行人区域图像;对所述行人区域图像缩放调整,得到固定大小的行人图像
可以理解的,原始图像可以是指该图像上至少有一个行人,当原始图像上有多个行人时,可以对该图像进行剪裁,以保证获得数量较多的可靠地样本,一般的,通过剪裁得到的行人区域图像的大小会有不同,为便于后续采用统一的算法进行处理,需要将各个行人区域图像调整为相同的大小,得到行人图像。具体的尺寸大小可以实际操作的需求为准,在此不做限定。
可以理解,得到多个行人图像后可以将将具有同一行人的所述行人图像标注为同一类,并赋一个编号表示,对不同类的所述行人图像赋不同编号表示,如此,以便后续的判断操作。
在某些实施方式中,可以通过人工的方式来进行图像分类以及编号操作。
可以理解,采用步骤S20中已经训练好的特征提取网络进行步骤S50的操作,来提取所述待测行人图像的特征,得到所述待测行人图像的特征参数。
可以理解对行人图像进行分类并编号后,将同一行人归为同一类,并赋予一个编号,后续完成步骤S60以及S70的判断步骤后,如符合相关的预设条件即相似度参数是否超过预设数值,便可在数据集中找到与待测数据相匹配的图像数据,待测行人图像可以匹配找到同一类行人图像的多张图像数据,用户可以根据实际应用需求调用同一类行人图像的多张图像数据或一张图像数据。
在某些实施方式中,步骤S30包括以下步骤:对所述第一特征图按照细粒度进行分区处理,得到第二特征图;连接所述第二特征图的各个区的通道数据;对所述各个区的通道数据进行压缩,得到多个通道特征向量;对所述通道特征向量进行全连接计算,得到第一通道数据;通过激活函数计算所述第一通道数据的权重值,一般的,计算权重的激活函数可以是sigmoid;将所述第一通道数据的权重值与所述第一特征图的通道数据逐个加权相乘,得到初始特征参数;对所述初始特征参数进行卷积和全连接计算,得到标准特征参数。
在某些实施方式中,所述计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数包括:通过余弦相似度函数对所述待测行人图像的特征参数与所述标准特征参数进行计算,得到相似度参数。可选的,也可以其他距离度量函数,如马氏距离等等,不限定于余弦距离和欧式距离来计算待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数,关于相似度的计算方式在此不做限制。
在某些实施方式中,根据所述相似度参数完成行人重识别包括:判断所述相似度参数是否超过预设数值;若否,判定待测行人图像与所述行人图像为同一类。可以理解的,此处的预设值可以是用户根据实际的操作设置的误差允许范围,诸如可以是0.100,在此不对具体的数值进行限定。
请参阅图4,图4显示为本发明的行人重识别方法的流程示意图,C代表是转换之后的特征图的通道数,H代表特征图的高度,W代表特征图的宽度。可以理解,例如上述第一特征图有C个特征通道,对所述第一特征图按照细粒度进行分区处理,得到第二特征图,可以对第一特征图分成3个区,诸如可以分成头部、腹胸、腿部,每个粒度做独立的引导,使得模型尽量对每个粒度学习更多信息。按分区的划分方式,将具有C个通道数据的第一特征图的每个通道数据进行分区划分,生成分区的有C个通道数据的第二特征图,后续可以通过池化层进行处理,即对所述各个区的通道数据进行压缩,得到多个通道特征向量;再通过全连接层对所述通道特征向量进行全连接计算,得到第一通道数据;通过激活函数计算所述第一通道数据的权重值,一般的,计算权重的激活函数可以是sigmoid;将所述第一通道数据的权重值与所述第一特征图的通道数据逐个加权相乘,得到初始特征参数;对所述初始特征参数进行卷积和全连接计算,得到标准特征参数。如此,可得到每个通道数据中每个区对应的权重数值,从而增强输入的第一特征图中较为显著的区域特征以及削弱输入的第一特征图中较为微弱的区域特征,经过加权的分区特征提取方式提取到的特征更加具有判别性,提升了行人重识别的准确率。此外,对整个分区的区域计算一个权重值,减少了参数的数量,提高了运行的效率。
在某些实施方式中,对所述第一特征图按照细粒度进行分区处理,得到第二特征图,即图4中从左往右第二个图,之后采用全局平均池化操作对其每个第二特征图即分区后的特征图进行压缩,使C个通道的特征图最后变成1*1*C*3的实数数列。一般卷积神经网络中的每个通道学***均池化操作对特征图像进行压缩,从而使其具有全局的感受野,使得网络低层也能利用全局信息。此处的特征图为第二特征图即分区后的特征图。
可以理解的,步骤S70:通过激活函数计算所述第一通道数据的权重值;激活操作类似于循环神经网络中门的机制,由两个全连接层组成,可以进行降维处理,诸如将特征维度降低到输入的1/16,然后经过激活函数ReLu激活后,通过全连接层升到原来的维度,最后通过激励函数Sigmoid的门获得0~1之间归一化的权重,表达式如下:s=F(t,W)=σ(g(t,W))=σ(Wδ(Wt))式中,δ为ReLu激活函数,σ为Sigmoid函数,参数W用来显式地建模特征通道间的相关性。之后再将所述第一通道数据的权重值与所述通道数据逐个加权相乘,得到标准特征参数,实现了对各个分区以及各个通道特征的重标定。
可以理解的,本发明表述中的第一特征图以及第二特征图皆为特征图,其中第二特征图特指分区后的特征图。通过对特征图即第一特征图进行分区后再进行后续处理,分区后,再对指定的区域进行处理得到特征参数远比比直接对每个像素进行权重计算的参数少得到的特征参数数量更少,且分区后的特征图更具有针对性。诸如分区可以分成头部、腹胸、腿部三个粒度,每个粒度做独立的引导,如后续获取的待测行人图像的此三部分特征更加显著,可针对测行人图像的头部、腹胸、腿部进行特征提取,得到相应的参数,减少了工作量的同时目标也更加明确,后续计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数;对所述相似度参数进行判断也更加具有目的性。因此采用加权的分区特征提取方式,对不同特征通道的不同分区进行了重标定,提取到的特征更加具有判别性,提升了行人重识别的准确率。此外,鉴于对特征图进行了分区处理,后续对多通道特征进行分区权重计算,无需对特征图分区以外部分的特征通道进行权重计算,如此,减少了参数的计算量。
请参阅图2,本发明提供一种行人重识别***,包括:第一图像获取模块10,用于获取多个行人图像,构建样本数据集;训练模块20,用于对所述样本数据集进行训练,构建行人特征提取网络;特征提取模块30,用于采用所述行人特征提取网络对所述行人图像进行特征提取预处理,得到具有多特征通道的第一特征图,对所述第一特征图进行分区处理,得到第二特征图,并对所述第二特征图进行特征提取,得到标准特征参数;第二图像获取模块40,获取待测行人图像;所述特征提取模块30还用于提取所述待测行人图像的特征,得到所述待测行人图像的特征参数;判断模块50,用于计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数,并根据所述相似度参数完成行人重识别。
请参阅图3,在某些实施方式中所述第一图像获取模块10包括:采集单元11,用于获取原始图像;检测单元12,用于对所述原始图像进行检测,根据检测结果定位并剪裁得到行人区域图像;调整单元13,用于对所述行人区域图像缩放调整,得到固定大小的行人图像。
在某些实施方式中,特征提取模块30还用于:对所述第一特征图按照细粒度进行分区处理,得到第二特征图;连接所述第二特征图的各个区的通道数据;对所述各个区的通道数据进行压缩,得到多个通道特征向量;对所述通道特征向量进行全连接计算,得到第一通道数据;通过激活函数计算所述第一通道数据的权重值;将所述第一通道数据的权重值与第一特征图的通道数据逐个加权相乘,得到初始特征参数;对所述初始特征参数进行卷积和全连接计算,得到标准特征参数。
在某些实施方式中,所述训练模块20还用于将具有同一行人的所述行人图像标注为同一类,并赋一个编号表示,对不同类的所述行人图像赋不同编号表示。
在某些实施方式中,所述判断模块50还包括比对单元51,用于通过余弦相似度函数对所述待测行人图像的特征参数与所述标准特征参数进行计算,得到相似度参数。
在某些实施方式中,所述判断模块50还包括决策单元52,用于判断所述相似度参数是否超过预设数值;若否,所述决策单元判定待测行人图像与所述行人图像为同一类。本发明的行人重识别方法***的具体实施例与相关有益效果与行人重识别方法的相同,在此不再赘述。
请参阅图5,Rank1是首位命中率,就是排在第一位的图有没有命中他本人,map是全面评价行人重识别技术的指标的平均精度均值,分别采用现有的识别方法(baseline)、与本发明相比未对特征图的多通道特征进行分区权重计算的识别方法(se)、本发明人的识别方法(se_patch)分别对三个数据集Market1501、DukeMTMC-reID以及cuhk03-np进行测试,得到的测试结果表明采用本发明的行人重识别方法得到的首位命中率以及平均精度均值的值皆比较高。
如上所述,本发明提供的一种行人重识别方法及***,在对行人进行特征提取部分,对特征图像进行分区处理,对所述各个分区的通道数据进行压缩,得到多个通道特征向量;对所述通道特征向量进行全连接计算,得到第一通道数据;通过激活函数计算所述第一通道数据的权重值;将所述第一通道数据的权重值与所述通道数据逐个加权相乘,可得到每个通道数据中每个区对应的权重数值,从而增强输入的第一特征图中较为显著的区域特征以及削弱输入的第一特征图中较为微弱的区域特征,经过加权的分区特征提取方式提取到的特征更加具有判别性,从而提高了深度模型的判别能力。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (13)
1.一种行人重识别方法,其特征在于,包括:
获取多个行人图像,构建样本数据集;
对所述样本数据集进行训练,构建行人特征提取网络;
采用所述行人特征提取网络对所述行人图像进行特征提取预处理,得到具有多特征通道的第一特征图,对所述第一特征图进行分区处理,得到第二特征图,并对所述第二特征图进行特征提取,得到标准特征参数;
获取待测行人图像;
提取所述待测行人图像的特征,得到所述待测行人图像的特征参数;
计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数;
根据所述相似度参数完成行人重识别。
2.根据权利要求1所述的行人重识别方法,其特征在于,所述获取多个行人图像包括:
获取原始图像;
对所述原始图像进行检测,根据检测结果定位并剪裁得到行人区域图像;
对所述行人区域图像缩放调整,得到固定大小的行人图像。
3.根据权利要求1所述的行人重识别方法,其特征在于,所述采用所述行人特征提取网络对所述行人图像进行特征提取预处理,得到具有多特征通道的第一特征图,对所述第一特征图进行分区处理,得到第二特征图,并对所述第二特征图进行特征提取,得到标准特征参数包括:
对所述第一特征图按照细粒度进行分区处理,得到第二特征图;
连接所述第二特征图的各个区的通道数据;
对所述各个区的通道数据进行压缩,得到多个通道特征向量;
对所述通道特征向量进行全连接计算,得到第一通道数据;
通过激活函数计算所述第一通道数据的权重值;
将所述第一通道数据的权重值与所述通道数据逐个加权相乘,得到初始特征参数;
对所述初始特征参数进行卷积和全连接计算,得到标准特征参数。
4.根据权利要求1所述的行人重识别方法,其特征在于,还包括:
将具有同一行人的所述行人图像标注为同一类,并赋一个编号表示,对不同类的所述行人图像赋不同编号表示。
5.根据权利要求1所述的行人重识别方法,其特征在于,所述计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数包括:
通过余弦相似度函数对所述待测行人图像的特征参数与所述标准特征参数进行计算,得到相似度参数。
6.根据权利要求4所述的行人重识别方法,其特征在于,根据所述相似度参数完成行人重识别包括:
判断所述相似度参数是否超过预设数值;
若否,判定所述待测行人图像与所述行人图像为同一类。
7.一种行人重识别***,其特征在于,包括:
第一图像获取模块,用于获取多个行人图像,构建样本数据集;
训练模块,用于对所述样本数据集进行训练,构建行人特征提取网络;
特征提取模块,用于采用所述行人特征提取网络对所述行人图像进行特征提取预处理,得到具有多特征通道的第一特征图,对所述第一特征图进行分区处理,得到第二特征图,并对所述第二特征图进行特征提取,得到标准特征参数;
第二图像获取模块,获取待测行人图像;
所述特征提取模块还用于提取所述待测行人图像的特征,得到所述待测行人图像的特征参数;
判断模块,用于计算所述待测行人图像的特征参数与所述标准特征参数的相似度得到相似度参数,并根据所述相似度参数完成行人重识别。
8.根据权利要求7所述的行人重识别***,其特征在于,所述第一图像获取模块包括:
采集单元,用于获取原始图像;
检测单元,用于对所述原始图像进行检测,根据检测结果定位并剪裁得到行人区域图像;
调整单元,用于对所述行人区域图像缩放调整,得到固定大小的行人图像。
9.根据权利要求7所述的行人重识别***,其特征在于,所述特征提取模块还用于:
对所述第一特征图按照细粒度进行分区处理,得到第二特征图;
连接所述第二特征图的各个区的通道数据;
对所述各个区的通道数据进行压缩,得到多个通道特征向量;
对所述通道特征向量进行全连接计算,得到第一通道数据;
通过激活函数计算所述第一通道数据的权重值;
将所述第一通道数据的权重值与所述通道数据逐个加权相乘,得到初始特征参数;
对所述初始特征参数进行卷积和全连接计算,得到标准特征参数。
10.根据权利要求7所述的行人重识别***,其特征在于,所述训练模块还用于将具有同一行人的所述行人图像标注为同一类,并赋一个编号表示,对不同类的所述行人图像赋不同编号表示。
11.根据权利要求7所述的行人重识别***,其特征在于,所述判断模块包括:
比对单元,用于通过余弦相似度函数对所述待测行人图像的特征参数与所述标准特征参数进行计算,得到相似度参数。
12.根据权利要求10所述的行人重识别***,其特征在于,所述判断模块还包括:
决策单元,用于判断所述相似度参数是否超过预设数值;
若否,所述决策单元判定待测行人图像与所述行人图像为同一类。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至6中任一项所述行人重识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910156179.2A CN109886242A (zh) | 2019-03-01 | 2019-03-01 | 一种行人重识别的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910156179.2A CN109886242A (zh) | 2019-03-01 | 2019-03-01 | 一种行人重识别的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886242A true CN109886242A (zh) | 2019-06-14 |
Family
ID=66930310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910156179.2A Pending CN109886242A (zh) | 2019-03-01 | 2019-03-01 | 一种行人重识别的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886242A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532884A (zh) * | 2019-07-30 | 2019-12-03 | 平安科技(深圳)有限公司 | 行人重识别方法、装置及计算机可读存储介质 |
CN110929628A (zh) * | 2019-11-18 | 2020-03-27 | 北京三快在线科技有限公司 | 一种人体识别的方法及装置 |
CN111080626A (zh) * | 2019-12-19 | 2020-04-28 | 联想(北京)有限公司 | 一种检测方法和电子设备 |
CN111611846A (zh) * | 2020-03-31 | 2020-09-01 | 北京迈格威科技有限公司 | 行人再识别方法、装置、电子设备及存储介质 |
CN112215840A (zh) * | 2020-10-30 | 2021-01-12 | 上海商汤临港智能科技有限公司 | 图像检测、行驶控制方法、装置、电子设备及存储介质 |
CN113627352A (zh) * | 2021-08-12 | 2021-11-09 | 塔里木大学 | 一种行人重识别方法和*** |
CN115858846A (zh) * | 2023-02-16 | 2023-03-28 | 云南派动科技有限公司 | 一种基于深度学习的滑雪者图像检索方法和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133575A (zh) * | 2017-04-13 | 2017-09-05 | 中原智慧城市设计研究院有限公司 | 一种基于时空特征的监控视频行人重识别方法 |
CN108090203A (zh) * | 2017-12-25 | 2018-05-29 | 上海七牛信息技术有限公司 | 视频分类方法、装置、存储介质及电子设备 |
CN108427920A (zh) * | 2018-02-26 | 2018-08-21 | 杭州电子科技大学 | 一种基于深度学习的边海防目标检测方法 |
CN108764308A (zh) * | 2018-05-16 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种基于卷积循环网络的行人重识别方法 |
CN109271870A (zh) * | 2018-08-21 | 2019-01-25 | 平安科技(深圳)有限公司 | 行人重识别方法、装置、计算机设备及存储介质 |
-
2019
- 2019-03-01 CN CN201910156179.2A patent/CN109886242A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133575A (zh) * | 2017-04-13 | 2017-09-05 | 中原智慧城市设计研究院有限公司 | 一种基于时空特征的监控视频行人重识别方法 |
CN108090203A (zh) * | 2017-12-25 | 2018-05-29 | 上海七牛信息技术有限公司 | 视频分类方法、装置、存储介质及电子设备 |
CN108427920A (zh) * | 2018-02-26 | 2018-08-21 | 杭州电子科技大学 | 一种基于深度学习的边海防目标检测方法 |
CN108764308A (zh) * | 2018-05-16 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种基于卷积循环网络的行人重识别方法 |
CN109271870A (zh) * | 2018-08-21 | 2019-01-25 | 平安科技(深圳)有限公司 | 行人重识别方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
LAVI_QQ_2910138025: "SEnet详解", 《HTTPS://BLOG.CSDN.NET/LIUWEIYUXIANG/ARTICLE/DETAILS/84075343》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532884A (zh) * | 2019-07-30 | 2019-12-03 | 平安科技(深圳)有限公司 | 行人重识别方法、装置及计算机可读存储介质 |
CN110532884B (zh) * | 2019-07-30 | 2024-04-09 | 平安科技(深圳)有限公司 | 行人重识别方法、装置及计算机可读存储介质 |
CN110929628A (zh) * | 2019-11-18 | 2020-03-27 | 北京三快在线科技有限公司 | 一种人体识别的方法及装置 |
CN111080626A (zh) * | 2019-12-19 | 2020-04-28 | 联想(北京)有限公司 | 一种检测方法和电子设备 |
CN111611846A (zh) * | 2020-03-31 | 2020-09-01 | 北京迈格威科技有限公司 | 行人再识别方法、装置、电子设备及存储介质 |
WO2021196547A1 (zh) * | 2020-03-31 | 2021-10-07 | 北京迈格威科技有限公司 | 行人再识别方法、装置、电子设备及存储介质 |
CN112215840A (zh) * | 2020-10-30 | 2021-01-12 | 上海商汤临港智能科技有限公司 | 图像检测、行驶控制方法、装置、电子设备及存储介质 |
CN112215840B (zh) * | 2020-10-30 | 2024-07-16 | 上海商汤临港智能科技有限公司 | 图像检测、行驶控制方法、装置、电子设备及存储介质 |
CN113627352A (zh) * | 2021-08-12 | 2021-11-09 | 塔里木大学 | 一种行人重识别方法和*** |
CN115858846A (zh) * | 2023-02-16 | 2023-03-28 | 云南派动科技有限公司 | 一种基于深度学习的滑雪者图像检索方法和*** |
CN115858846B (zh) * | 2023-02-16 | 2023-04-21 | 云南派动科技有限公司 | 一种基于深度学习的滑雪者图像检索方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886242A (zh) | 一种行人重识别的方法及*** | |
CN104166841B (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN107016370B (zh) | 一种基于数据增强的部分遮挡人脸识别方法 | |
CN104063719B (zh) | 基于深度卷积网络的行人检测方法及装置 | |
CN104866829B (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
CN106960210B (zh) | 目标检测的方法和装置 | |
CN103996195B (zh) | 一种图像显著性检测方法 | |
CN109819208A (zh) | 一种基于人工智能动态监控的密集人群安防监控管理方法 | |
CN109446925A (zh) | 一种基于卷积神经网络的电力设备检测算法 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN108470138A (zh) | 用于目标检测的方法和装置 | |
CN107133569A (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN102629320B (zh) | 基于特征层定序测量统计描述的人脸识别方法 | |
CN111027378A (zh) | 行人重识别的方法、装置、终端及存储介质 | |
CN103971106B (zh) | 多视角人脸图像性别识别方法及装置 | |
CN110119726A (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
CN104504395A (zh) | 基于神经网络实现人车分类的方法和*** | |
CN108596211A (zh) | 一种基于集中学习与深度网络学习的遮挡行人再识别方法 | |
CN112183438B (zh) | 基于小样本学习神经网络的违规行为的图像识别方法 | |
CN109410184A (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
CN108647695A (zh) | 基于协方差卷积神经网络的低对比度图像显著性检测方法 | |
CN105184229A (zh) | 一种动态场景下基于在线学习的实时行人检测方法 | |
CN109492596A (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及*** | |
CN112001241A (zh) | 基于通道注意力机制的微表情识别方法及*** | |
CN112966736B (zh) | 一种基于多视角匹配与局部特征融合的车辆再识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |
|
RJ01 | Rejection of invention patent application after publication |