[發明專利]用于行人再識別的圖像處理方法及裝置

有效

• 申請號: 201810691348.8
• 申請日: 2018-06-28
• 公開（公告）號: CN108960124B
• 公開（公告）日: 2021-10-01
• 發明（設計）人: 郭英強;張默;孫海涌
• 申請（專利權）人: 北京陌上花科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京知果之信知識產權代理有限公司 11541
• 代理人: 唐海力;李志剛

1.一種用于行人再識別的圖像處理方法，其特征在于，包括：

提取待識別圖像中行人的位置信息；

根據所述位置信息分割出行人圖像；

對所述行人圖像執行預設網絡模型測試，其中，測試所述預設網絡模型時至少包含有注意力分支；以及

根據所述預設網絡模型訓練結果識別出目標圖像；

所述提取待識別圖像中行人的位置信息包括：

采集圖像采集裝置中的行人視頻截圖；

根據所述行人視頻截圖訓練用于檢測行人位置信息的至少包含有DPM算法的模型；以及

通過所述至少包含有DPM算法的模型執行位置檢測任務得到所述待識別圖像中行人的位置信息；將行人圖片裁剪為384x128大?。?/p>

其中，通過所述預設網絡模型訓練結果訓練聯合貝葉斯矩陣，包括：

根據聯合貝葉斯度量行人特征距離，目標行人的分布可以描述為x＝μ+ε，其中x定義為行人的表示，μ表示不同人的差異，ε表示相同人在不同光線、姿態、表情下的差異;這兩個潛在變量μ和ε分布服從兩個高斯分布：N(0,S_μ)和N(0,S_ε).S_μ和S_ε代表待定的協方差矩陣；

根據所述所述聯合貝葉斯矩陣計算所述行人圖像與目標圖像的相似度；以及

篩選滿足預設條件的行人圖像，包括：篩選與目標行人圖片相似度最高的20個行人圖像；

其中，所述行人的位置信息還包括：行人圖像在視頻中的具體動作幀位置；

對所述行人圖像執行預設網絡模型測試，其中，測試所述預設網絡模型時至少包含有注意力分支，包括：

預設網絡模型為ResNet-50神經網絡模型，所述網絡模型包含49層卷積層，和1層全連接層，網絡中引入了殘差網絡結構，使用訓練集對所述網絡模型進行訓練；

在所述神經網絡模型中加入注意力機制，基于注意力機制網絡，對所述行人圖像進行處理，獲得關于所述行人圖像的特征表示；

其中，注意力機制網絡中，在網絡結構得到特征圖后，對所述特征圖進行兩條路線的處理，一條線路中直接傳給下一層的Scale，另一條線路中經過全連接和Softmax操作，對所述特征圖進行二分類，得到關于特征圖中每個區域的概率，然后和兩條路徑上的做Scale操作，也就是對特征圖中每個區域分配不同的權重，最后經過全局池化，得到關于行人圖片的特征表示；

通過所述預設網絡模型訓練結果訓練聯合貝葉斯矩陣，還包括：

根據述深度殘差網絡模型提取出的所述行人圖像的高維特征訓練聯合貝葉斯矩陣；

行人再識別的圖像處理方法，包括：

采集視頻圖像；

對由包含行人圖片進行行人檢測，裁剪出只包含單獨行人的圖片；

訓練CNN；

訓練融合CNN和注意力機制的網絡；

使用CNN和注意力機制融合的神經網絡提取行人圖片特征，并存儲的行人特征庫；

使用得到的行人特征，訓練聯合貝葉斯矩陣；

使用聯合貝葉斯方法，計算行人特征間的相似度；

選擇相似度最高的20個通過界面顯示出來；

重復行人再識別的圖像處理過程，獲得行人識別結果。

2.根據權利要求1所述的圖像處理方法，其特征在于，所述根據所述位置信息分割出行人圖像包括：

根據訓練好的用于提取行人圖像位置的模型從待識別圖像中分割出行人且保存分割后的所述行人圖像。

3.根據權利要求1所述的圖像處理方法，其特征在于，所述對所述行人圖像執行預設網絡模型訓練包括：

通過所述行人圖像訓練深度殘差網絡模型；以及

根據所述深度殘差網絡模型提取行人圖像的高維特征。

4.根據權利要求1所述的圖像處理方法，其特征在于，所述根據所述預設網絡模型訓練結果識別出目標圖像包括：

通過所述預設網絡模型訓練結果訓練聯合貝葉斯矩陣；

根據所述聯合貝葉斯矩陣計算所述行人圖像與目標圖像的相似度；

篩選滿足預設條件的行人圖像。