[發(fā)明專利]基于特征強(qiáng)化引導(dǎo)卷積神經(jīng)網(wǎng)絡(luò)的行人再識(shí)別方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201811469353.0
• 申請(qǐng)日: 2018-11-28
• 公開（公告）號(hào): CN109614907B
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計(jì)）人: 李騰;謝以翔;王妍
• 申請(qǐng)（專利權(quán)）人: 安徽大學(xué)
• 主分類號(hào): G06V40/10
• 分類號(hào): G06V40/10;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 合肥市浩智運(yùn)專利代理事務(wù)所(普通合伙) 34124
• 代理人: 丁瑞瑞

1.基于特征強(qiáng)化引導(dǎo)卷積神經(jīng)網(wǎng)絡(luò)的行人再識(shí)別方法，其特征在于，所述方法包括：

1)收集行人圖像數(shù)據(jù)并做好分類標(biāo)簽，并將分類后的行人圖像數(shù)據(jù)分為訓(xùn)練集和測(cè)試集；

2)構(gòu)建特征強(qiáng)化引導(dǎo)的卷積神經(jīng)網(wǎng)絡(luò)，其中，所述卷積神經(jīng)網(wǎng)絡(luò)包含雙輸入基本網(wǎng)絡(luò)、主干卷積神經(jīng)網(wǎng)絡(luò)、特征強(qiáng)化引導(dǎo)模塊；所述特征強(qiáng)化引導(dǎo)模塊包括設(shè)定數(shù)量個(gè)子網(wǎng)絡(luò)層，每一個(gè)子網(wǎng)絡(luò)層均包含卷積層、ReLU激活層、BatchNorm標(biāo)準(zhǔn)化層組成的卷積單元、最大值池化層以及sigmoid層；

利用行人分割模型，對(duì)打上分類標(biāo)簽的行人圖像數(shù)據(jù)進(jìn)行人體區(qū)域扣取，獲取對(duì)應(yīng)的不含背景的人體掩碼圖片，并把每一張圖像的掩碼圖片和所述圖像作為圖像對(duì)；

將圖像對(duì)的集合中的若干圖像對(duì)的集合作為訓(xùn)練集；將其余的圖像對(duì)的集合作為測(cè)試集；

原始圖片和對(duì)應(yīng)的掩碼圖片秉性輸入雙輸入基本網(wǎng)絡(luò)；特征強(qiáng)化引導(dǎo)模塊使用掩碼圖片的淺層特征自動(dòng)學(xué)習(xí)引導(dǎo)主干神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)，具體為：特征強(qiáng)化引導(dǎo)模塊的各子網(wǎng)絡(luò)層分別通過(guò)sigmoid層自主學(xué)習(xí)生成人體部位特征增強(qiáng)的權(quán)重圖， 自主選擇人體的強(qiáng)化部位，并且分別與主干網(wǎng)絡(luò)不同層次的特征映射做點(diǎn)乘，以達(dá)到持續(xù)引導(dǎo)整個(gè)網(wǎng)絡(luò)的特征增強(qiáng)學(xué)習(xí)的設(shè)計(jì)目的；

3)將步驟1)中的訓(xùn)練集輸入所述特征強(qiáng)化引導(dǎo)的卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練得到行人再識(shí)別的預(yù)訓(xùn)練模型；

4)用步驟1)中的測(cè)試集測(cè)試步驟3)中訓(xùn)練得到的預(yù)訓(xùn)練模型，根據(jù)測(cè)試結(jié)果調(diào)整訓(xùn)練參數(shù)重新訓(xùn)練，并返回步驟3)，直至所述特征強(qiáng)化引導(dǎo)的卷積神經(jīng)網(wǎng)絡(luò)收斂，得到最佳預(yù)訓(xùn)練模型；

5)收集目標(biāo)場(chǎng)景中的部分目標(biāo)行人圖像，并使用所述目標(biāo)場(chǎng)景中的部分目標(biāo)行人圖像訓(xùn)練所述最佳預(yù)訓(xùn)練模型，得到目標(biāo)模型，再使用所述目標(biāo)模型對(duì)行人庫(kù)中的圖像進(jìn)行特征比對(duì)，從而識(shí)別出目標(biāo)行人，得到目標(biāo)圖像。

2.根據(jù)權(quán)利要求1所述的基于特征強(qiáng)化引導(dǎo)卷積神經(jīng)網(wǎng)絡(luò)的行人再識(shí)別方法，其特征在于，所述步驟1)包括：

將不同場(chǎng)景下的行人的視頻監(jiān)控?cái)?shù)據(jù)作為行人圖像數(shù)據(jù)來(lái)源，針對(duì)每一個(gè)行人，用行人檢測(cè)方法摳取出包含同一行人的不同拍攝角度的行人圖片，對(duì)每一個(gè)確定身份的具體行人圖片進(jìn)行分類，并打上標(biāo)簽；

對(duì)已分類的行人圖片進(jìn)行數(shù)據(jù)擴(kuò)充，具體擴(kuò)充手段包括：顏色直方圖均衡化、水平鏡像翻轉(zhuǎn)、高斯模糊和添加隨機(jī)噪聲。

3.根據(jù)權(quán)利要求1所述的基于特征強(qiáng)化引導(dǎo)卷積神經(jīng)網(wǎng)絡(luò)的行人再識(shí)別方法，其特征在于，所述步驟5)包括：

使用所述目標(biāo)模型對(duì)可能含有目標(biāo)行人的圖像目標(biāo)特征向量提取；

計(jì)算所述目標(biāo)特征向量與行人庫(kù)中每一圖片所含有的行人的特征向量的歐式距離，將歐式距離小于預(yù)設(shè)閾值所對(duì)應(yīng)的圖像作為目標(biāo)圖像。