[發(fā)明專利]一種用于視頻監(jiān)控場(chǎng)景中行人重識(shí)別的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710403300.8
• 申請(qǐng)日: 2017-06-01
• 公開（公告）號(hào): CN107301380A
• 公開（公告）日: 2017-10-27
• 發(fā)明（設(shè)計(jì)）人: 張見(jiàn)威;邱隆慶;林文釗
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46;G06K9/62
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司44245
• 代理人: 羅觀祥

1.一種用于視頻監(jiān)控場(chǎng)景中行人重識(shí)別的方法，其特征在于，所示方法包括下列步驟：

S1、預(yù)訓(xùn)練FT-FNN網(wǎng)絡(luò)，將FT-FNN網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，使FT-FNN網(wǎng)絡(luò)獲取理想的初始值；

S2、微調(diào)FT-FNN網(wǎng)絡(luò)，將FT-FNN網(wǎng)絡(luò)的輸出層替換為節(jié)點(diǎn)與屬性個(gè)數(shù)一致的全連接層，實(shí)現(xiàn)行人屬性數(shù)據(jù)集微調(diào)，識(shí)別行人的包括中層語(yǔ)義屬性在內(nèi)的不同屬性；

S3、提取訓(xùn)練圖像深度特征和屬性特征，將訓(xùn)練集圖像輸入到訓(xùn)練好的FT-FNN網(wǎng)絡(luò)中，取其融合層的輸出作為深度特征，輸出層的輸出作為屬性特征；

S4、優(yōu)化屬性權(quán)重，利用隨機(jī)梯度下降算法求解設(shè)計(jì)的目標(biāo)函數(shù)，求得各屬性的相對(duì)權(quán)重，得到權(quán)重向量；同時(shí)取得深度特征與屬性特征的相對(duì)權(quán)重；

S5、提取待識(shí)別圖像屬性特征，將待識(shí)別圖像輸入到FT-FNN網(wǎng)絡(luò)中，通過(guò)輸出層與融合層的輸出分別得到待識(shí)別圖像的深度特征和屬性特征；

S6、提取行人庫(kù)屬性特征，將行人庫(kù)圖像輸入到FT-FNN網(wǎng)絡(luò)中，通過(guò)輸出層與融合層的輸出分別得到待識(shí)別圖像的深度特征和屬性特征；

S7、生成距離矩陣，根據(jù)屬性特征及權(quán)值，計(jì)算每一幅待識(shí)別圖像與行人庫(kù)中每一幅圖像之間的距離，得到距離矩陣；

S8、按序輸出匹配圖像，將結(jié)果由近到遠(yuǎn)排序，并輸出匹配圖像。

2.根據(jù)權(quán)利要求1所述的一種用于視頻監(jiān)控場(chǎng)景中行人重識(shí)別的方法，其特征在于，所述步驟S1預(yù)訓(xùn)練FT-FNN網(wǎng)絡(luò)中，引入數(shù)據(jù)增強(qiáng)、dropout機(jī)制，將FT-FNN網(wǎng)絡(luò)輸出層節(jié)點(diǎn)調(diào)整為與數(shù)據(jù)集的物體類別個(gè)數(shù)一致之后，將FT-FNN網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練。

3.根據(jù)權(quán)利要求1所述的一種用于視頻監(jiān)控場(chǎng)景中行人重識(shí)別的方法，其特征在于，所述步驟S2微調(diào)FT-FNN網(wǎng)絡(luò)中，行人屬性數(shù)據(jù)集微調(diào)通過(guò)加權(quán)交叉熵?fù)p失削弱屬性不平衡的影響：

Lg=-1NgΣi=1NΣk=1Kgli,kglogpi,kgNk(i)g,g∈G]]>

上式中G為屬性組集合，N為該批次訓(xùn)練樣本的數(shù)量，N_g為訓(xùn)練集中該組屬性數(shù)量，為第i個(gè)樣本在第g個(gè)組中具有第k個(gè)屬性的樣本數(shù)量，概率為Softmax函數(shù)應(yīng)用于第g個(gè)屬性組的FC8層的輸出，記表示x_i的第k個(gè)輸出，則該Softmax函數(shù)為

pkg=eoi,kgΣk′=1K(g)eoi,kg.]]>