[發明專利]一種基于模糊魯棒特征的行人再識別方法及模塊裝置

在審

• 申請號: 201710829662.3
• 申請日: 2017-09-14
• 公開（公告）號: CN107704811A
• 公開（公告）日: 2018-02-16
• 發明（設計）人: 陶大鵬;杜燁宇
• 申請（專利權）人: 云南大學;中船重工（昆明）靈湖環境智能感知技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 昆明盛鼎宏圖知識產權代理事務所(特殊普通合伙)53203
• 代理人: 王輝

技術領域

本發明涉及計算機視覺技術領域，尤其涉及一種基于模糊魯棒特征的行人再識別方法和模塊裝置，解決攝像頭下待識別行人圖像模糊和訓練樣本數量少的問題。

背景技術

隨著科學技術的發展，視頻監控系統已經在通信、安全、交通等行業得到了廣泛的應用，其在維護社會治安中起到重要作用，并逐漸向大眾化、智能化發展。當前，攝像機網絡已經覆蓋到了大多數公共場所，比如機場、火車站、地鐵、超市和公路等。公共攝像機網絡的建設，在打擊犯罪、維護治安穩定的實踐中正發揮著越來越重要的作用。行人再識別技術是基于計算機視覺的一個研究領域，旨在非重疊的多攝像機網絡下，找到相同的感興趣目標。行人再識別技術廣泛的應用在視頻監控系統中，其在公共安全，維護社會治安、客戶行為分析等領域起到重要作用，因此研究行人再識別技術具有非常重要的意義與應用價值。

在實際條件下，現有的行人重驗證數據庫規模很小，每一個識別目標在攝像頭下出現的次數較少，因而導致可用的訓練樣本數據比較少，使得訓練的深度學習識別模型存在嚴重過擬合的問題。與此同時，監控攝像頭質量的限制和行人的運動性還導致了行人圖像分辨率較低和抖動模糊，嚴重的降低了行人圖像的質量，這些都很容易造成對最終目標的錯誤識別。

發明內容

本發明正是為了解決所述問題缺陷，提供一種基于模糊魯棒特征的行人再識別方法。

本發明采用如下技術方案實現。

一種基于模糊魯棒特征的行人再識別方法，本發明的再識別方法包括以下步驟：(a)將公開的大規模人臉圖像數據庫中的所有圖像通過模糊核進行模糊化處理，以獲得與行人圖像質量接近的大規模圖像數據；

(b)通過已處理好的人臉圖像數據來訓練深度卷積神經網絡模型，學習到對模糊魯棒的初步模型；

(c)通過現有的小規模行人圖像數據庫對預訓練的深度卷積神經網絡模型進行參數微調；

(d)對行人圖像進行特征提取，通過特征比對進行圖像再識別。

本發明所述步驟(a)中對原始人臉圖像進行模糊化處理的公式表示為：

I_v＝ψ_b[φ(αI_s*k+n)](1)

其中，未處理人臉圖像為I_s，獲取的模糊人臉圖像為I_v，*表示卷積操作，k為模糊核。

所述公式(1)中，α為動態閾值，其作用為去掉圖像中超過攝像機傳感器動態范圍的數值。α隨機地從{1.00，1.05，1.10，1.15}中取一個數值。

所述公式(1)中，n表示高斯白噪聲，其數值隨機地從{0，0.0002，0.0005，0.0007}中取一個值。

所述公式(1)中，φ()是圖像去飽和函數，滿足φ(z)＝min(z，z_max)，其中z_max取值為255。

所述公式(1)中，ψ_b()是圖像下采樣函數，函數的下采樣尺度值隨機從{0.3，0.5，0.7，0.9}中取一個數值。

本發明所述的公式(1)中，模糊核k包含抖動模糊核k_m公式如下：

所述公式(2)中，(i，j)為圖像坐標軸中的坐標數值，L為抖動模糊核的大小，表示圖像曝光時的抖動距離，θ為圖像抖動的角度。

所述公式(2)中，模糊核L的大小取值隨機從{7，9，11}中取一個值，角度θ隨機從中取一個數值。抖動模糊核k_m共有3*4＝12種隨機組合。

本發明所述的公式(1)中，模糊核k包含擴散模糊核k_o；公式如下：

所述公式(3)中，σ和R分別表示擴散模糊核的幅度和角度。C是一個常數。

所述公式(3)中，模糊核幅度σ的大小取值隨機從{1.5，3.0}中取一個值，模糊核幅度R的取值為9。擴散模糊核k_o共有2*1＝2種隨機組合。本發明所述的公式(1)中，模糊核k由兩個模糊核組成，分別是抖動模糊核k_m和擴散模糊核k_o，

模糊核k為隨機將抖動模糊核k_m和擴散模糊核k_o進行隨機組合，可以得到12*2＝24種組合模糊核處理。模糊核k總共有24+12+2＝38種隨機模糊核選擇的組成。

本發明所述步驟(b)中的深度卷積神經網絡模型為現有的深度學習神經網絡GoogLeNet。