[發明專利]一種基于深度學習和強化學習的行人重識別方法及系統

有效

• 申請號: 201611199109.8
• 申請日: 2016-12-22
• 公開（公告）號: CN106709449B
• 公開（公告）日: 2020-04-21
• 發明（設計）人: 王澤楷;趙瑞;徐靜
• 申請（專利權）人: 深圳市深網視界科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京卓唐知識產權代理有限公司 11541
• 代理人: 龔潔

本發明公開了一種基于深度學習和強化學習的行人重識別方法及系統，其中方法包括如下步驟：接收視頻獲取行人圖片，行人圖片數據中包括身份標簽和坐標信息，通過光流算法和行人坐標信息計算不同幀圖片中同一行人的運動方向得到行人朝向數據，行人訓練數據集包含了行人身份標簽和朝向標簽；利用多任務學習方法構建深度神經網絡，訓練行人朝向及身份識別模型；按照朝向設置決策基，根據不同決策基的組合設定決策類別，所有的決策類別構成決策空間，并根據預設的強化學習模型對決策空間中決策類別進行訓練計算最優決策模型。對行人進行檢索時，調用深度模型獲得朝向信息，然后調用強化學習模型獲得最優決策方案，進而比對行人庫中的行人，得到更準確的檢索結果，本發明有效利用行人朝向信息做出匹配決策，從而提高了行人重識別的準確率。

技術領域

本發明屬于視頻監控技術領域，具體而言，涉及一種基于深度學習和強化學習的行人重識別方法及系統。

背景技術

為了識別不同視角的非重疊監控場景下的行人身份，行人重識別技術得到廣泛發展，尤其是在監控視頻領域。由于不同監控場景下同一行人存在背景、光照、朝向等差異大的問題，因此如何解決背景、光照、朝向等因素的影響，從而快速檢測行人并進行跟蹤是當前亟待解決的技術問題。

現有的行人重識別技術主要存在如下問題：

目前的研究主要集中在如何有更好地表達特征以及如何更好地進行距離度量學習上。特征表達多集中在行人外表，比如整體或者子區域的衣著顏色，紋理特征等，運用這些特征雖然在識別上帶來了提升，但對于衣著不對稱和朝向變化帶來的差異，現有的方法尚不夠好，對于正面和背面差異較大的重識別，常常會造成匹配失敗，帶來了較多識別誤差。

現有的基于朝向的行人重識別匹配策略多是專家系統式的決策。例如，匹配決策時,每個人都使用相同的朝向進行比對,在沒有相同朝向的情況下選擇相鄰或者過渡的朝向。這樣的決策方法依賴于人為設計，對充分考慮的朝向或外表情況可以有很好的效果，但行人外表，朝向的多樣性決定了匹配準則的復雜性，也說明了這種方法的不足。

三、基于無朝向信息的匹配方法：這種方法中所有圖片沒有朝向信息，其中包括很多中匹配方法，比如(1)：首先計算probe和gallery中所有圖片的匹配距離/相似度，對于probe和gallery的每一個人(包括與其多張圖片匹配的距離)，選擇類內距離最小的/相似度最大的值，再對所有類進行排序；(2)：計算所有probe和gallery中圖像的可能組合得到所有匹配距離/相似度，將probe和gallery中同個人的所有距離/相似度求平均值，再進行排序。論文[1]在匹配過程中，從不同類別的圖片中選取所有可能的匹配組合，通過計算權重直方圖，最大化穩定的顏色區域等方法對距離進行加權歸一化，再應用了方法3(1)，選取其中最小匹配距離。

四、主要關注在如何用更好的方法來提取行人的特征上，如CN201410070931.9公開了一種行人重識別特征提取方法，該方法先進行行人檢測和行人輪廓的提取，后根據人體對稱性把行人的輪廓分為頭部、左軀干、右軀干、左腿和右腿五個感興趣區域來提取特征。

發明內容

為解決現有上述技術問題，本發明利用多任務的方法構建深度神經網絡實現一次操作提取行人行為特征及朝向信息，并對其進行整理，同時對決策進行強化訓練快速選擇最優的決策模型實現對待識別圖片的處理，完成行人的重識別。

本發明提供了一種基于深度學習和強化的行人重識別方法，其特征在于，包括如下步驟：

接收視頻獲取行人圖片，根據行人圖片獲取行人坐標信息，通過光流算法和行人坐標信息計算不同幀圖片中同一行人的運動方向得到行人朝向信息，并在標注行人身份信息后得到行人訓練數據集，行人訓練數據集包含行人的朝向信息據和身份標簽；

以行人訓練數據集為基礎，利用多任務學習方法構建并訓練深度神經網絡，獲得行人朝向和身份識別的雙任務模型；