[發明專利]基于特征強化引導卷積神經網絡的行人再識別方法及裝置

有效

• 申請號: 201811469353.0
• 申請日: 2018-11-28
• 公開（公告）號: CN109614907B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 李騰;謝以翔;王妍
• 申請（專利權）人: 安徽大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 合肥市浩智運專利代理事務所(普通合伙) 34124
• 代理人: 丁瑞瑞

基于特征強化引導卷積神經網絡的行人再識別方法及裝置，方法包括：1)收集行人圖像數據并做好分類標簽，并將分類后的行人圖像數據分為訓練集和測試集；2)構建特征強化引導的卷積神經網絡；3)將步驟1)中的訓練集特征強化引導的卷積神經網絡，訓練得到行人再識別的預訓練模型；4)用步驟1)中的測試集測試步驟3)中訓練得到的預訓練模型，根據測試結果調整訓練參數重新訓練，得到最佳預訓練模型；5)使用目標場景中的部分目標行人圖像訓練最佳預訓練模型，得到目標模型，再使用目標模型對行人庫中的圖像進行檢測，得到含有目標行人的目標圖像。應用本發明實施例，可以解決現有技術中存在的誤差較大的技術問題。

技術領域

本發明涉及行人再識別領域，尤其涉及基于特征強化引導卷積神經網絡的行人再識別方法及裝置。

背景技術

隨著互聯網科技的快速發展，安防監控以及智能機器人等對機器視覺技術的需求愈發迫切。在機器視覺科技的研究中，行人識別技術的成熟使得機器在辨別行人的能力上超過人類。然而攝像頭并非在任何情況下都可以拍攝到清晰行人。而且，在實際中一個攝像頭往往無法覆蓋所有區域，而多攝像頭之間一般也沒有重疊。因此，用行人全身信息來對行人進行鎖定或者查找就變得十分必要。通過將整體行人特征作為行人之外的重要補充，實現對行人的跨攝像頭跟蹤，這就是PRI(Person Re-Identification，行人再識別)技術，從字面意思理解就是對行人進行再次認證識別，是對不同的、沒有視野重疊覆蓋的攝像機拍攝的行人圖像建立對應關系的處理過程。行人再識別識別技術具有易采集、非接觸、友好等特點，易于被人接受。例如，公安部門在抓捕逃犯時，使用該技術可以通過監控視頻快速追蹤逃犯行蹤，不僅極大提高工作效率，而且大大節省人力。另外，行人再識別強調的是使機器識別出由不同攝像機所拍攝的特定人員的所有圖像。因此，在安防刑偵、目標檢索、人員跟蹤、人流控制等場景中有很高的應用價值。

目前，行人再識別的方法層出不窮，大都基于普通的卷積神經網絡。它們的使用圖片方塊分塊的方法，或是使用關鍵點輔助的行人特征提取的方法，等等，都取得不錯的效果，其原理是，收集大量行人數據并制作標簽，設計一種卷積神經網絡開始訓練模型。選取一張或者幾張行人圖像提取特征生成模板對待識別行人圖像提取特征，比較待識別行人特征和模板特征，通過設定閾值來判斷是否是目標行人。

但是，該技術沒有解決背景干擾問題，對不同場景適應效果差，進而導致誤差較大。

發明內容

本發明所要解決的技術問題在于提供了基于特征強化引導卷積神經網絡的行人再識別方法及裝置，以解決現有技術中存在的誤差較大的技術問題。

本發明實施例提供了基于特征強化引導卷積神經網絡的行人再識別方法，所述方法包括：

1)收集行人圖像數據并做好分類標簽，并將分類后的行人圖像數據分為訓練集和測試集；

2)構建特征強化引導的卷積神經網絡，其中，所述卷積神經網絡包含雙輸入基本網絡、主干卷積神經網絡、特征強化引導模塊；所述特征強化引導模塊包括設定數量個子網絡層，每一個子網絡層均包含卷積層、ReLU激活層、BatchNorm標準化層組成的卷積單元、最大值池化層以及sigmoid層；

3)將步驟1)中的訓練集輸入所述特征強化引導的卷積神經網絡，訓練得到行人再識別的預訓練模型；

4)用步驟1)中的測試集測試步驟3)中訓練得到的預訓練模型，根據測試結果調整訓練參數重新訓練，并返回步驟3)，直至所述特征強化引導的卷積神經網絡收斂，得到最佳預訓練模型；

5)收集目標場景中的部分目標行人圖像，并使用所述目標場景中的部分目標行人圖像訓練所述最佳預訓練模型，得到目標模型，再使用所述目標模型對行人庫中的圖像進行特征比對，從而識別出目標行人，得到目標圖像。

可選的，所述步驟1)，包括：