[發明專利]一種基于retinex算法和卷積神經網絡的行人再識別方法

有效

• 申請號: 201710044905.2
• 申請日: 2017-01-20
• 公開（公告）號: CN106897673B
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 韓光;段朦;李曉飛;余小意
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 南京知識律師事務所 32207
• 代理人: 李湘群

1.一種基于retinex算法和卷積神經網絡的行人再識別方法，其特征在于，具體包括以下步驟：

步驟101，采集視頻圖像，截取視頻幀；

步驟102，訓練CNN網絡模型，進行行人的檢測；

步驟103，利用retinex算法對檢測出的行人包圍框進行圖像增強，對圖像的Intensity數據進行Retinex處理，然后再把數據根據原始的RGB的比例映射到每個通道，最大程度地減少光照和行人表面反射光的影響；

步驟104，提取卷積特征，經過多次卷積和降采樣，提取fc6層的特征，步驟102和本步驟中所用的檢測和行人特征的提取使用同一個卷積神經網絡，用同一個神經網絡進行行人的檢測與識別，具體為：

行人檢測部分，所用神經網絡采用VGG16模型的前四層卷積層：

第一層卷積層C1：設定64個特征平面，卷積核大小為3×3；

第一層下采樣層S1：設定64個特征平面，池化窗口大小為2×2；

第二層卷積層C2：設定128個特征平面，卷積核大小為3×3；

第二層下采樣層S2：設定128個特征平面，池化窗口大小為2×2；

第三層卷積層C3：設定256個特征平面，卷積核大小為3×3；

第三層下采樣層S3：設定256個特征平面，池化窗口大小為2×2；

第四層卷積層C4：設定16個特征平面，卷積核大小為3×3；

第四層下采樣層S4：設定16個特征平面，池化窗口大小為2×2；

Fc5和fc6用于行人識別：

Fc5設定4096個特征平面，fc6設定256個特征平面方便進行特征的匹配；

步驟105，將從兩臺攝像機得到的行人特征進行特征匹配，并得出識別率。

2.根據權利要求1所述的基于retinex算法和卷積神經網絡的行人再識別方法，其特征在于CNN神經網絡中含有兩個softMax層，一層用于行人檢測時候選區域的預測分類，另一層用于對不同行人進行識別。

3.根據權利要求1所述的基于retinex算法和卷積神經網絡的行人再識別方法，其特征在于：所述步驟103中，利用retinex算法對檢測出的行人進行圖像增強，具體包含以下步驟：

步驟201，計算輸入行人圖像的模糊半徑I(x,y)；

步驟201，計算行人圖像按某種尺度進行高斯模糊的圖像數據L(x,y)；

步驟203，將以上兩個步驟得到的值的對數值相減，得到圖像排除光照陰影和反射光后的數據logR(x,y)；

步驟204，將logR(x,y)量化到0-255的像素值，輸出經過增強后的行人圖像。

4.根據權利要求1所述的基于retinex算法和卷積神經網絡的行人再識別方法，其特征在于，所述神經網絡使用ROI池化技術進行行人目標的檢測，經過神經網絡的前四層的卷積和池化之后，將場景圖像的特征輸入ROI pooling層，獲得行人框中的圖像特征。

5.根據權利要求4所述的基于retinex算法和卷積神經網絡的行人再識別方法，其特征在于所述獲得行人框中的圖像特征具體包含以下步驟：

(1)使用選擇性搜索方法獲取一幀場景圖像中2000個候選區域，并自動將這些區域裁剪到227×227，得到統一分辨率的2000個候選區域之后，將2000個候選區域輸入到一個預訓練的CNN模型，從最后一個全連接層輸出4096*1的向量特征；

(2)對所有的上述候選區域進行嚴格的標定，當且僅當一個候選框完全包含參考標準區域且不屬于參考標準部分不超過候選框區域的5％時，認為該候選框標定結果為目標，否則為背景；

(3)將提取得到的2000個候選區域經過regression回歸層特征提取后輸入到softmax層中，可以給出特定類別評分結果，得到softmax層對于所有候選區域的評分結果；

(4)將一些分數較低的候選區域去掉后，剩下的候選區域中會出現候選框相交的情況，采用非極大值抑制技術，對于相交的兩個框或若干個框，找到最能代表最終檢測結果的候選框。