[發明專利]一種基于整體和局部深度特征融合的行人再識別方法

有效

• 申請號: 201810132400.6
• 申請日: 2018-02-09
• 公開（公告）號: CN108229444B
• 公開（公告）日: 2021-10-12
• 發明（設計）人: 張重;司統振;劉爽
• 申請（專利權）人: 天津師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京中政聯科專利代理事務所(普通合伙) 11489
• 代理人: 陳超

本發明實施例公開了一種基于整體和局部深度特征融合的行人再識別方法，該方法包括：構建局部特征目標網絡和整體特征目標網絡；把訓練行人圖像子區域對輸入局部特征目標網絡，得到局部特征學習模型；把測試行人圖像子區域輸入局部特征學習模型，得到子區域特征向量；把訓練行人圖像整幅輸入整體特征目標網絡，得到整體特征學習模型；把測試行人圖像整幅輸入整體特征學習模型，得到整體特征向量；將子區域特征向量和整體特征向量組合形成最終特征表示，計算該行人圖像與訓練圖像的相似度，得到行人識別結果。本發明充分利用深度學習的優勢，挖掘行人圖像的局部特征和整體特征，最終結合兩種特征形成圖像的特征向量，提高了行人再識別的匹配正確率。

技術領域

本發明屬于模式識別、人工智能領域，具體涉及一種基于整體和局部深度特征融合的行人再識別方法。

背景技術

隨著計算機技術的發展，公共場所安裝了大量的監控設備。人工操作難以在大量的監控數據中提取有效信息，利用計算機解決此問題已經成為必然趨勢，因此近年來行人再識別技術被廣泛關注。但是由于真實場景中行人外觀、姿態以及外界環境的光線和拍攝角度變化較大，使得行人再識別技術面臨著很大的挑戰。

為了提高計算機對行人再識別的匹配正確率，經過多年的研究，人們提出了多種有效的方法。在特征表示方面，Gray等人提出了局部特征集合(Ensemble of LocalFeatures，ELF)。Liao等人提出了局部最大共生特征(Local Maximal Occurrence，LOMO)。在度量學習方法，Zheng等人提出了概率相對距離比較算法(Probabilistic RelativeDistance Comparison，PRDC)。Liao等人提出了一種交叉視角的二次性判別分析度量方法(Cross-view Quadratic Discriminant Analysis，XQDA)。

目前很多研究者將深度學習算法應用到行人再識別領域，并且取得了不錯的效果。Xiao等人訓練了一個分類模型并且提出了棄權函數來處理大量的類別。Zheng等人聯合了分類摸型和驗證模型，并且同時利用三個損失函數訓練網絡。Yi等人把一幅圖像分為三個水平子區域，用子區域同時訓練三個網絡。Zheng等人提出利用生成式對抗網絡產生標簽，取得了較好的實驗效果。深度學習方法已經達到了比較好的效果，大部分方法都是利用整幅圖像作為輸入提取整體特征，同時也有一些方法提取了局部特征，但都沒有充分的挖掘出圖像的特征表示方法。

發明內容

本發明的目的是要解決行人的整體特征或局部特征在深度學習中未被充分利用的技術問題，為此，本發明提供一種基于整體和局部深度特征融合的行人再識別方法。

為了實現所述目的，本發明提出的一種基于整體和局部深度特征融合的行人再識別方法包括以下步驟：

步驟S1，對預訓練網絡進行初始化，構建提取局部特征的局部特征目標網絡；

步驟S2，把訓練集的行人圖像分別劃分為n個水平子區域，對應位置的子區域為子區域對，把子區域對輸入到所述局部特征目標網絡中，得到局部特征學習模型；

步驟S3，把測試集的行人圖像同樣地劃分為n個水平子區域，把每個子區域輸入至所述局部特征學習模型中，得到子區域的特征向量p_i(i＝1,2,…n)，其中，p_i(i＝1,2,…n)表示第i個子區域的特征向量；

步驟S4，對預訓練網絡進行初始化，構建提取整體特征的整體特征目標網絡；

步驟S5，基于構建的整體特征目標網絡，把訓練集的行人圖像整幅輸入至所述整體特征目標網絡中，得到整體特征學習模型；

步驟S6，基于所述整體特征學習模型，把測試集的行人圖像整幅輸入至所述整體特征學習模型中，得到行人圖像的整體特征向量B；