CN117636398A - 一种视频行人重识别方法、装置、电子设备及存储介质 - Google Patents
一种视频行人重识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117636398A CN117636398A CN202311695228.2A CN202311695228A CN117636398A CN 117636398 A CN117636398 A CN 117636398A CN 202311695228 A CN202311695228 A CN 202311695228A CN 117636398 A CN117636398 A CN 117636398A
- Authority
- CN
- China
- Prior art keywords
- feature
- pedestrian
- image
- video
- extraction network
- 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 66
- 238000000605 extraction Methods 0.000 claims abstract description 92
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频行人重识别方法、装置、电子设备及存储介质。所述方法包括:获取第一行人视频图像和第二行人视频图像,所述第一行人图像和所述第二行人图像来源不同;将所述第一行人视频图像的视频序列和所述第二行人视频图像的视频序列输入训练好的特征提取网络模型中分别输出第一特征和第二特征,所述特征提取网络模型从不同尺度进行特征识别;根据所述第一特征和所述第二特征计算度量距离;根据所述度量距离进行图像序列排序,将第二行人视频图像中排序第一的视频序列中的行人作为识别结果。利用该方法可以从多层次提取行人特征,将不同尺度特征相结合,能够准确的识别出具有相似外表的行人,解决遮挡问题。
Description
技术领域
本发明实施例涉及图像识别技术领域,尤其涉及一种视频行人重识别方法、装置、电子设备及存储介质。
背景技术
随着智慧城市的建设,银行网点作为公共场所的一环,其监控视频成为重要的安保资源。佩戴口罩使得过去仅依赖人脸识别的装置适用范围降低,而通过捕捉行人整体外貌的方法大大提高了行人身份的识别精度。
目前视频行人重识别的一种方法是将多帧行人图像进行平均池化或最大值池化的方式获取视频序列的特征表达,但是,该方法在获取视频序列特征表达时,通常采用全局特征与局部特征结合的方式,而局部特征的提取方式与全局特征同一尺度,无法从多层次提取特征,对于具有相似外表的行人往往无法区分。
发明内容
本发明提供了一种视频行人重识别方法、装置、电子设备及存储介质,以解决无法有效区分具有相似外表的行人的问题。
根据本发明的一方面,提供了一种视频行人重识别方法,包括:
获取第一行人视频图像和第二行人视频图像,所述第一行人图像和所述第二行人图像来源不同;
将所述第一行人视频图像的视频序列和所述第二行人视频图像的视频序列输入训练好的特征提取网络模型中分别输出第一特征和第二特征,所述特征提取网络模型从不同尺度进行特征识别;
根据所述第一特征和所述第二特征计算度量距离;
根据所述度量距离进行图像序列排序,将第二行人视频图像中排序第一的视频序列中的行人作为识别结果。
根据本发明的另一方面,提供了一种视频行人重识别装置,包括:
获取模块,用于获取第一行人视频图像和第二行人视频图像,所述第一行人图像和所述第二行人图像来源不同;
特征提取模块,用于将所述第一行人视频图像的视频序列和所述第二行人视频图像的视频序列输入训练好的特征提取网络模型中分别输出第一特征和第二特征,所述特征提取网络模型从不同尺度进行特征识别;
计算模块,用于根据所述第一特征和所述第二特征计算度量距离;
排序模块,用于根据所述度量距离进行图像序列排序,将第二行人视频图像中排序第一的视频序列中的行人作为识别结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的视频行人重识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的视频行人重识别方法。
本发明实施例的技术方案,通过浅层网络与深层网络可以从不同尺度识别行人特征,将不同尺度的特征相结合,可以从不同尺度识别外表相似的行人,利用图学***分割为结点,建立结点间邻接关系矩阵,更新帧间结点互补特征,融合得到图学习特征,利用未遮挡区域信息得到可以缓解遮挡问题的特征。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种视频行人重识别方法的流程示意图;
图2为本发明实施例二提供的特征提取网络模型的训练过程的流程示意图;
图3为本发明实施例三提供的一种视频行人重识别装置的结构示意图;
图4为本发明实施例的一种视频行人重识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
视频行人重识别是利用计算机视觉技术在不重叠的监控视频中通过算法检索出相同身份的行人的过程。视频行人重识别所处理的数据是连续的视频序列,提供了更丰富的时空信息,因此具备减轻在复杂环境下的视觉歧义和遮挡的潜力。为了解决遮挡问题,最近的发明集中在如何使用注意力机制聚合特征,时域注意力机制是应对遮挡的一个有效方式,通过视频序列中帧的质量高低给每帧赋予不同的权重,然后进行加权融合为视频级特征,从而减轻被遮挡帧的影响,然而这种方式仍然忽略了帧间的时间关系,尤其是帧间的互补关系;其他采用图神经网络的方法,使用了人体姿态估计的方式,而这算法复杂度大大增加,降低了实用性。
实施例一
图1为本发明实施例一提供的一种视频行人重识别方法的流程示意图,该方法可适用于复杂场景下对视频行人进行身份识别的情况,特别针对银行网点视频监控下的行人身份识别,该方法可以由视频行人重识别装置来执行,其中该装置可由软件和/或硬件实现,并一般集成在电子设备上,在本实施例中电子设备包括但不限于:计算机设备。
如图1所示,本发明实施例一提供的一种视频行人重识别方法,包括如下步骤:
S110、获取第一行人视频图像和第二行人视频图像,所述第一行人视频图像和所述第二行人视频图像来源不同。
其中,第一行人视频图像可以是来源于检索库Query中的行人视频图像,第二行人视频图像可以是来源于Gallery图像库中的行人视频图像。
本实施例中,可以直接从检索库Query中获取多张行人视频图像作为第一行人视频图像,可以直接从Gallery图像库中获取多张行人视频图像作为第二行人视频图像。
S120、将所述第一行人视频图像的视频序列和所述第二行人视频图像的视频序列输入训练好的特征提取网络模型中分别输出第一特征和第二特征,所述特征提取网络模型从不同尺度进行特征识别。
本实施例中,可以将第一行人视频图像表示为视频序列。现实环境中因为遮挡、非对齐、视觉歧义等对行人重识别造成困难,视频序列包含比图像更丰富的时空信息,可以更有潜力的缓解遮挡、错位带来的负面影响,从而提取出更为鲁棒、更具区分性的特征。现实中,视频序列也更符合监控***的数据类型,具有更强的实用价值。
其中,特征提取网络模型包括浅层特征提取网络、全局特征提取网络以及图学习组件。全局特征提取网络和浅层特征提取网络从卷积神经网络主干的不同层提取多尺度特征,并引入了一个额外的Bottleneck模块,该模块的参数与其他组件不共享,不同尺度的特征结合可以识别具有相似外表的行人;对于图学习组件,邻接关系通过节点之间的时空关系动态建模,然后,节点特征通过邻接矩阵更新并聚合为图像特征向量,通过融合相邻帧的补充信息,可以缓解遮挡带来的问题;将浅层特征提取网络、全局特征提取网络以及图学习组件各自输出的特征级联后作为最终的特征表达。
本实施例中,将第一行人视频图像的视频序列输入到训练好的特征提取网络模型后输出的每个视频序列的特征作为第一特征,将第二行人视频图像的视频序列输入到训练好的特征提取网络模型后输出的每个视频序列的特征作为第二特征。可以理解的是,第一特征和第二特征都是级联后得到的最终的特征表达。
其中,特征提取网络模型的训练过程可参考实施例二。
S130、根据所述第一特征和所述第二特征计算度量距离。
其中,度量距离可以表征第一行人视频图像与第二行人视频图像之间的差异程度,度量距离可以是欧式距离、马氏距离以及余弦距离等,优选余弦距离。
本实施例中,依次将第一行人视频图像中一个视频序列提取第一特征分别与第二行人视频图像中每个视频序列提取的第二特征计算度量距离。
S140、根据所述度量距离进行图像视频序列排序,将第二行人视频图像中排序第一的视频序列中的行人作为识别结果。
其中,将步骤S130计算得到的多个度量距离按照数值由小到大的顺序进行排序,数值越小表征两个视频序列的差异越小,将第二行人视频图像中排序第一的视频序列中的行人确认为与第一行人图像中最相似的行人。
本发明实施例一提供的一种视频行人重识别方法,首先获取第一行人视频图像和第二行人视频图像,所述第一行人图像和所述第二行人图像来源不同;;然后将所述第一行人视频图像的视频序列和所述第二行人视频图像的视频序列输入训练好的特征提取网络模型中分别输出第一特征和第二特征,所述特征提取网络模型从不同尺度进行特征识别;之后根据所述第一特征和所述第二特征计算度量距离;最终根据所述度量距离进行图像序列排序,将第二行人视频图像中排序第一的视频序列中的行人作为识别结果。利用上述方法,能够从多层次提取行人特征,将不同尺度特征相结合,能够准确的识别出具有相似外表的行人,解决遮挡问题。
进一步的,特征提取网络模型包括浅层特征提取网络、全局特征提取网络以及图学习组件;
所述浅层特征提取网络用于提取浅层特征,所述浅层特征包括行人边缘和基础形状的组合;
所述全局特征提取网络用于提取全局特征,所述全局特征包括高级的抽象特征;
所述图学***分割和平均池化划分得到的多个区域特征。
其中,图神经网络由于其对非欧氏空间数据的强大建模能力,已成功用于结点间的特征融合。利用图神经网络可以实现帧内与帧间时空关系的互补,有利于减少遮挡的负面影响。图神经网络模块的核心思想是聚合相邻结点的特征。
需要说明的是,图是由结点与边组成,边既可以有向,也可以无向。在构造的图结构中,每个结点N都可以使用特征Xn表示,且与已标记的标签相关联。图神经网络的使用过程通常包括结点生成、邻接关系的建立与特征融合三个步骤。结点的生成根据不同场景,特征的主体是不同的,通常使用d维特征向量Xn∈Rd来表示;邻接矩阵需要根据两两结点间的关系建立,邻接矩阵可以表示为:
其中,si,j表示第i结点与第j个结点之间的关系,si,j的取值取决于不同的场景。使用邻接矩阵,结点融合过程使用公式表示为:
X(l+1)=AX(l)W(l)
其中,X(l)表示第l层网络的特征输出,当l为0时,为原始的输入X(l);W∈Rd×d为要学习的参数矩阵,在训练过程中进行更新。
实施例二
图2为本发明实施例二提供的特征提取网络模型的训练过程的流程示意图,本实施例二对特征提取网络模型的训练过程进行具体说明。
如图2所示,特征提取网络模型的训练过程包括如下步骤:
S210、将训练集中的行人视频图像采用随机采样策略表示为图像视频序列。
其中,给定一位行人的视频图像,采用随机采样策略采样T帧并将其表示为图像视频序列I={I1,I2,...,IT}。
S220、将所述图像视频序列输入到所述特征提取网络模型,通过所述浅层特征提取网络、所述全局特征提取网络以及所述图学习组件得到图像视频序列特征。
具体的,将所述图像视频序列输入到所述特征提取网络模型,通过所述浅层特征提取网络、所述全局特征提取网络以及所述图学***均池化得到全局特征;通过所述图学习组件将多个全局特征图对应的特征结点利用参数矩阵建立相似度矩阵的传播关系,得到图学习特征;将所述浅层特征、所述全局特征以及所述图学习特征级联得到视频序列特征。
其中,将图像视频序列的每一帧依次输入到ResNet50的骨干网络中,并从ResNet50的骨干网络中第3层获得多个原始特征图,表示为从ResNet50的骨干网络中第4层获得多个全局特征图/>其中,表示表示视频序列中第i帧的特征图,h与w表示特征图的长和宽,c1和c2表示通道数,c1=1024,c2=2048。
进一步的,将所述多个原始特征图输入到所述浅层特征提取网络得到浅层特征,包括:将所述多个原始特征图输入Bottleneck模块中获得浅层特征图;将所述浅层特征图进行平均池化生成浅层特征;其中,所述Bottleneck模块的权重参数不与其他模块共享,所述Bottleneck模块卷积层的通道数与所述特征提取网络模型的通道数相同。
其中,不同特征提取网络层所捕获的多尺度特征有助于区分外观相似的行人。在浅层特征提取网络里,将送入Bottleneck模块中并获得浅层特征图在Bottleneck模块中调整了卷积层的通道数以适应模型的通道参数,例如模型的通道参数为1024,则将Bottleneck模块中卷积层的通道数由256调整为1024,此外,Bottleneck模块的权重参数不与其他模块共享,以增强浅层特征提取网络的独立学***均池化以生成浅层特征,表示为fshallow;对全局特征图Fi 4执行3D平均池化以生成全局特征,表示为fglobal。
进一步的,所述通过所述图学***均池化将所述多个目标特征结点聚合为图学习特征。
其中,每个全局特征图Fi 4通过水平分割和平均池化被划分为P个区域特征作为特征结点,对于具有T帧的图像视频序列,共有N=T×P个结点,表示为xi,i=1,2,…N,对结点之间的关系建模有利于减轻遮挡和错位带来的影响,因此为描述结点之间关系,构建了图学习组件。
动态的图结点关系比固定的图结构使邻接矩阵更灵活,更加适用于复杂多变的场景。图学习组件采用一种对称变换关系将两个结点之间的成对的动态关系描述为邻接矩阵A∈RN×N,如下所示:
其中,代表/>代表/>w,w'∈Rd×d;参数矩阵w,w'可以通过反向传播来学习,从而动态地对同一身份行人视频序列的结点之间的相关性进行建模。考虑到邻接矩阵中的每个元素都应该是非负的,并且每行的和需要为1,因此对矩阵的每一行使用归一化函数如下:
在获得结点之间的邻接矩阵后,设计了一个图神经网络模块来聚合相邻结点特征,能够为结点提供补充的信息以减轻遮挡和错位的负面影响。采用M层图卷积,对于第m层,图卷积输出结果表示为:
X(m)=σ(AsX(m-1)W(m)),1≤m≤M
其中,是第m层的隐藏特征,dm是特征维度,第一层定义为初始结点特征xi,i=1,2,…N;/>是参数矩阵并通过训练更新;σ是激活函数;图输出如下:
其中,λ表示平衡因子,表示图神经网络模块的输出。然后通过时间平均池化将N个结点聚合为图学习特征,表示为fgraph。
S230、基于所述图像视频序列特征通过交叉熵损失函数和困难样本三元组损失函数计算出总损失,并根据所述总损失调整所述特征提取网络模型的参数,直到满足训练次数训练停止。
具体的,基于所述图像视频序列特征通过交叉熵损失损失函数和困难样本三元组损失函数计算出总损失,包括:通过交叉熵损失损失函数分别计算出所述图像视频序列特征中浅层特征的第一损失值、全局特征的第二损失值以及图学习特征的第三损失值,并将所述第一损失值、所述第二损失值以及所述第二损失值之和作为交叉熵损失;通过困难样本三元组损失函数分别计算出所述图像视频序列特征中浅层特征的第四损失值、全局特征的第五损失值以及图学习特征的第六损失值,并将所述第四损失值、所述第五损失值以及所述第六损失值之和作为困难样本三元组损失;计算所述交叉熵损失和所述困难样本三元组损失之和得到总损失。
其中,交叉熵损失函数主要用来评定实际输出与真实结果的相似程度,然后利用这种差异通过反向传播去更新网络参数,使用公式表达为:
N为样本总数目,yi代表真实标签,代表模型预测正确的概率,M为类别数目。
其中,三元组损失函数使用一个三元组来表示,通过三元组损失进行反向传播,应使得模型提取的Anchor的特征与正样本Positive的特征距离尽可能近,与负样本Negative的特征距离尽可能远。困难三元组损失函数:由三元组损失函数改进而来,通过选择与标准样本Anchor在同一个批次中距离最远的正样本Positive和距离最近的负样本Negative进行训练,可以大大增强模型的泛化能力,学习到更好的特征表达能力,表示为:
其中,α为根据实际需要进行设定的阈值参数;A为同一批次中抽取的与正样本p距离最远和负样本n距离最近的样本集。
本实施例中,困难样本三元组损失表示为Lxent, 表示第一损失值,/>表示第二损失值,/>表示第三损失值;困难样本三元组损失表示为Lhtri,/>表示第四损失值,/>表示第五损失值,/>表示第六损失值;总损失为Loss=Lhtri+Lxent。
本发明实施例二提供了特征提取网络模型的训练过程。全局特征与浅层特征的多尺度特征模块能够从多尺度语义上识别具有相似外表的行人,减轻视觉歧义的负面影响;图学***分割为结点,捕捉视频序列的时空特征与帧间互补性建立结点间的邻接关系,融合得到图学***分割获取结点,降低了复杂度。
实施例三
图3为本发明实施例三提供的一种视频行人重识别装置的结构示意图,该装置可适用于复杂场景下对视频行人进行身份识别的情况,其中该装置可由软件和/或硬件实现,并一般集成在电子设备上。
如图3所示,该装置包括:获取模块110、特征提取模块120、计算模块130以及排序模块140。
获取模块110,用于获取第一行人视频图像和第二行人视频图像,所述第一行人图像和所述第二行人图像来源不同;
特征提取模块120,用于将所述第一行人视频图像的视频序列和所述第二行人视频图像的视频序列输入训练好的特征提取网络模型中分别输出第一特征和第二特征,所述特征提取网络模型从不同尺度进行特征识别;
计算模块130,用于根据所述第一特征和所述第二特征计算度量距离;
排序模块140,用于根据所述度量距离进行图像序列排序,将第二行人视频图像中排序第一的视频序列中的行人作为识别结果。
在本实施例中,该装置首先通过获取模块110用于获取第一行人视频图像和第二行人视频图像,所述第一行人图像和所述第二行人图像来源不同;然后通过特征提取模块120将所述第一行人视频图像的视频序列和所述第二行人视频图像的视频序列输入训练好的特征提取网络模型中分别输出第一特征和第二特征,所述特征提取网络模型从不同尺度进行特征识别;之后通过计算模块130用于根据所述第一特征和所述第二特征计算度量距离;最后通过排序模块140用于根据所述度量距离进行图像序列排序,将第二行人视频图像中排序第一的视频序列中的行人作为识别结果。
本实施例提供了一种视频行人重识别装置,能够准确的识别出具有相似外表的行人,解决遮挡问题。
进一步的,所述特征提取网络模型包括浅层特征提取网络、全局特征提取网络以及图学习组件;
所述浅层特征提取网络用于提取浅层特征,所述浅层特征包括行人边缘和基础形状的组合;
所述全局特征提取网络用于提取全局特征,所述全局特征包括高级的抽象特征;
所述图学***分割和平均池化划分得到的多个区域特征。
在上述优化的基础上,所述的特征提取网络模型的训练过程包括:
将训练集中的行人视频图像采用随机采样策略表示为图像视频序列;
将所述图像视频序列输入到所述特征提取网络模型,通过所述浅层特征提取网络、所述全局特征提取网络以及所述图学习组件得到图像视频序列特征;
基于所述图像视频序列特征通过交叉熵损失函数和困难样本三元组损失函数计算出总损失,并根据所述总损失调整所述特征提取网络模型的参数,直到满足训练次数训练停止。
基于上述技术方案,所述将所述图像视频序列输入到所述特征提取网络模型,通过所述浅层特征提取网络、所述全局特征提取网络以及所述图学习组件得到图像视频序列特征,包括:
将所述图像视频序列的每一帧依次输入到ResNet50的骨干网络得到多个原始特征图和多个全局特征图;
将所述多个原始特征图输入到所述浅层特征提取网络得到浅层特征,将所述多个全局特征图输入到所述全局特征提取网络进行全局平均池化得到全局特征;
通过所述图学习组件将多个全局特征图对应的特征结点利用参数矩阵建立相似度矩阵的传播关系,得到图学习特征;
将所述浅层特征、所述全局特征以及所述图学习特征级联得到视频序列特征。
进一步的,将所述多个原始特征图输入到所述浅层特征提取网络得到浅层特征,包括:
将所述多个原始特征图输入Bottleneck模块中获得浅层特征图;
将所述浅层特征图进行平均池化生成浅层特征;
其中,所述Bottleneck模块的权重参数不与其他模块共享,所述Bottleneck模块卷积层的通道数与所述特征提取网络模型的通道数相同。
进一步的,所述通过所述图学习组件将多个全局特征图对应的特征结点利用参数矩阵建立相似度矩阵的传播关系,得到图学习特征,包括:
根据参数矩阵构建邻接矩阵,所述邻接矩阵描述两个相邻特征结点之间的成对的动态关系;
基于所述邻接矩阵以及所述参数矩阵,通过图神经网络模块聚合相邻特征结点得到多个目标特征结点;
通过时间平均池化将所述多个目标特征结点聚合为图学习特征。
进一步的,基于所述图像视频序列特征通过交叉熵损失损失函数和困难样本三元组损失函数计算出总损失,包括:
通过交叉熵损失损失函数分别计算出所述图像视频序列特征中浅层特征的第一损失值、全局特征的第二损失值以及图学习特征的第三损失值,并将所述第一损失值、所述第二损失值以及所述第二损失值之和作为交叉熵损失;
通过困难样本三元组损失函数分别计算出所述图像视频序列特征中浅层特征的第四损失值、全局特征的第五损失值以及图学习特征的第六损失值,并将所述第四损失值、所述第五损失值以及所述第六损失值之和作为困难样本三元组损失;
计算所述交叉熵损失和所述困难样本三元组损失之和得到总损失。
上述视频行人重识别装置可执行本发明任意实施例所提供的视频行人重识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如视频行人重识别方法。
在一些实施例中,视频行人重识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的视频行人重识别方法中的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行视频行人重识别方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种视频行人重识别方法,其特征在于,所述方法包括:
获取第一行人视频图像和第二行人视频图像,所述第一行人图像和所述第二行人图像来源不同;
将所述第一行人视频图像的视频序列和所述第二行人视频图像的视频序列输入训练好的特征提取网络模型中分别输出第一特征和第二特征,所述特征提取网络模型从不同尺度进行特征识别;
根据所述第一特征和所述第二特征计算度量距离;
根据所述度量距离进行图像序列排序,将第二行人视频图像中排序第一的视频序列中的行人作为识别结果。
2.根据权利要求1所述的方法,其特征在于,所述特征提取网络模型包括浅层特征提取网络、全局特征提取网络以及图学习组件;
所述浅层特征提取网络用于提取浅层特征,所述浅层特征包括行人边缘和基础形状的组合;
所述全局特征提取网络用于提取全局特征,所述全局特征包括高级的抽象特征;
所述图学***分割和平均池化划分得到的多个区域特征。
3.根据权利要求2所述的方法,其特征在于,所述的特征提取网络模型的训练过程包括:
将训练集中的行人视频图像采用随机采样策略表示为图像视频序列;
将所述图像视频序列输入到所述特征提取网络模型,通过所述浅层特征提取网络、所述全局特征提取网络以及所述图学习组件得到图像视频序列特征;
基于所述图像视频序列特征通过交叉熵损失函数和困难样本三元组损失函数计算出总损失,并根据所述总损失调整所述特征提取网络模型的参数,直到满足训练次数训练停止。
4.根据权利要求3所述的方法,其特征在于,所述将所述图像视频序列输入到所述特征提取网络模型,通过所述浅层特征提取网络、所述全局特征提取网络以及所述图学习组件得到图像视频序列特征,包括:
将所述图像视频序列的每一帧依次输入到ResNet50的骨干网络得到多个原始特征图和多个全局特征图;
将所述多个原始特征图输入到所述浅层特征提取网络得到浅层特征,将所述多个全局特征图输入到所述全局特征提取网络进行全局平均池化得到全局特征;
通过所述图学习组件将多个全局特征图对应的特征结点利用参数矩阵建立相似度矩阵的传播关系,得到图学习特征;
将所述浅层特征、所述全局特征以及所述图学习特征级联得到视频序列特征。
5.根据权利要求4所述的方法,其特征在于,将所述多个原始特征图输入到所述浅层特征提取网络得到浅层特征,包括:
将所述多个原始特征图输入Bottleneck模块中获得浅层特征图;
将所述浅层特征图进行平均池化生成浅层特征;
其中,所述Bottleneck模块的权重参数不与其他模块共享,所述Bottleneck模块卷积层的通道数与所述特征提取网络模型的通道数相同。
6.根据权利要求4所述的方法,其特征在于,所述通过所述图学习组件将多个全局特征图对应的特征结点利用参数矩阵建立相似度矩阵的传播关系,得到图学习特征,包括:
根据参数矩阵构建邻接矩阵,所述邻接矩阵描述两个相邻特征结点之间的成对的动态关系;
基于所述邻接矩阵以及所述参数矩阵,通过图神经网络模块聚合相邻特征结点得到多个目标特征结点;
通过时间平均池化将所述多个目标特征结点聚合为图学习特征。
7.根据权利要求3所述的方法,其特征在于,基于所述图像视频序列特征通过交叉熵损失损失函数和困难样本三元组损失函数计算出总损失,包括:
通过交叉熵损失损失函数分别计算出所述图像视频序列特征中浅层特征的第一损失值、全局特征的第二损失值以及图学习特征的第三损失值,并将所述第一损失值、所述第二损失值以及所述第二损失值之和作为交叉熵损失;
通过困难样本三元组损失函数分别计算出所述图像视频序列特征中浅层特征的第四损失值、全局特征的第五损失值以及图学习特征的第六损失值,并将所述第四损失值、所述第五损失值以及所述第六损失值之和作为困难样本三元组损失;
计算所述交叉熵损失和所述困难样本三元组损失之和得到总损失。
8.一种视频行人重识别装置,其特征在于,所述装置包括:
获取模块,用于获取第一行人视频图像和第二行人视频图像,所述第一行人图像和所述第二行人图像来源不同;
特征提取模块,用于将所述第一行人视频图像的视频序列和所述第二行人视频图像的视频序列输入训练好的特征提取网络模型中分别输出第一特征和第二特征,所述特征提取网络模型从不同尺度进行特征识别;
计算模块,用于根据所述第一特征和所述第二特征计算度量距离;
排序模块,用于根据所述度量距离进行图像序列排序,将第二行人视频图像中排序第一的视频序列中的行人作为识别结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的视频行人重识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的视频行人重识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311695228.2A CN117636398A (zh) | 2023-12-11 | 2023-12-11 | 一种视频行人重识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311695228.2A CN117636398A (zh) | 2023-12-11 | 2023-12-11 | 一种视频行人重识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117636398A true CN117636398A (zh) | 2024-03-01 |
Family
ID=90033828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311695228.2A Pending CN117636398A (zh) | 2023-12-11 | 2023-12-11 | 一种视频行人重识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117636398A (zh) |
-
2023
- 2023-12-11 CN CN202311695228.2A patent/CN117636398A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133188B (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112801008A (zh) | 行人重识别方法、装置、电子设备及可读存储介质 | |
CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
CN110751027B (zh) | 一种基于深度多示例学习的行人重识别方法 | |
CN114677565B (zh) | 特征提取网络的训练方法和图像处理方法、装置 | |
WO2021103474A1 (zh) | 图像的处理方法和装置、存储介质及电子装置 | |
CN114724218A (zh) | 视频检测方法、装置、设备及介质 | |
CN112507893A (zh) | 一种基于边缘计算的分布式无监督行人重识别方法 | |
CN112528811A (zh) | 行为识别方法和装置 | |
CN116977674A (zh) | 图像匹配方法、相关设备、存储介质及程序产品 | |
CN117152459A (zh) | 图像检测方法、装置、计算机可读介质及电子设备 | |
Niu et al. | Boundary-aware RGBD salient object detection with cross-modal feature sampling | |
CN111291785A (zh) | 目标检测的方法、装置、设备及存储介质 | |
CN114898266A (zh) | 训练方法、图像处理方法、装置、电子设备以及存储介质 | |
CN113822134A (zh) | 一种基于视频的实例跟踪方法、装置、设备及存储介质 | |
CN116994319A (zh) | 训练模型的方法和人脸识别方法、设备、介质 | |
CN114998814B (zh) | 目标视频生成方法、装置、计算机设备和存储介质 | |
CN114140320B (zh) | 图像迁移方法和图像迁移模型的训练方法、装置 | |
CN115641643A (zh) | 步态识别模型的训练方法、步态识别方法、装置及设备 | |
CN113139483B (zh) | 人体行为识别方法、装置、设备、存储介质以及程序产品 | |
CN116110074A (zh) | 一种基于图神经网络的动态小股行人识别方法 | |
CN117636398A (zh) | 一种视频行人重识别方法、装置、电子设备及存储介质 | |
CN114299539A (zh) | 一种模型训练方法、行人重识别方法和装置 | |
CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 |
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 |