[發(fā)明專(zhuān)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(kāi)（公告）號(hào): CN109614907B
• 公開(kāi)（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(zhuān)利權(quán)）人: 安徽大學(xué)
• 主分類(lèi)號(hào): G06V40/10
• 分類(lèi)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(zhuān)利代理事務(wù)所(普通合伙) 34124
• 代理人: 丁瑞瑞

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，方法包括：1)收集行人圖像數(shù)據(jù)并做好分類(lèi)標(biāo)簽，并將分類(lèi)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)；3)將步驟1)中的訓(xùn)練集特征強(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，得到最佳預(yù)訓(xùn)練模型；5)使用目標(biāo)場(chǎng)景中的部分目標(biāo)行人圖像訓(xùn)練最佳預(yù)訓(xùn)練模型，得到目標(biāo)模型，再使用目標(biāo)模型對(duì)行人庫(kù)中的圖像進(jìn)行檢測(cè)，得到含有目標(biāo)行人的目標(biāo)圖像。應(yīng)用本發(fā)明實(shí)施例，可以解決現(xiàn)有技術(shù)中存在的誤差較大的技術(shù)問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及行人再識(shí)別領(lǐng)域，尤其涉及基于特征強(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。

背景技術(shù)

隨著互聯(lián)網(wǎng)科技的快速發(fā)展，安防監(jiān)控以及智能機(jī)器人等對(duì)機(jī)器視覺(jué)技術(shù)的需求愈發(fā)迫切。在機(jī)器視覺(jué)科技的研究中，行人識(shí)別技術(shù)的成熟使得機(jī)器在辨別行人的能力上超過(guò)人類(lèi)。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(shí)際中一個(gè)攝像頭往往無(wú)法覆蓋所有區(qū)域，而多攝像頭之間一般也沒(méi)有重疊。因此，用行人全身信息來(lái)對(duì)行人進(jìn)行鎖定或者查找就變得十分必要。通過(guò)將整體行人特征作為行人之外的重要補(bǔ)充，實(shí)現(xiàn)對(duì)行人的跨攝像頭跟蹤，這就是PRI(Person Re-Identification，行人再識(shí)別)技術(shù)，從字面意思理解就是對(duì)行人進(jìn)行再次認(rèn)證識(shí)別，是對(duì)不同的、沒(méi)有視野重疊覆蓋的攝像機(jī)拍攝的行人圖像建立對(duì)應(yīng)關(guān)系的處理過(guò)程。行人再識(shí)別識(shí)別技術(shù)具有易采集、非接觸、友好等特點(diǎn)，易于被人接受。例如，公安部門(mén)在抓捕逃犯時(shí)，使用該技術(shù)可以通過(guò)監(jiān)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(jié)省人力。另外，行人再識(shí)別強(qiáng)調(diào)的是使機(jī)器識(shí)別出由不同攝像機(jī)所拍攝的特定人員的所有圖像。因此，在安防刑偵、目標(biāo)檢索、人員跟蹤、人流控制等場(chǎng)景中有很高的應(yīng)用價(jià)值。

目前，行人再識(shí)別的方法層出不窮，大都基于普通的卷積神經(jīng)網(wǎng)絡(luò)。它們的使用圖片方塊分塊的方法，或是使用關(guān)鍵點(diǎn)輔助的行人特征提取的方法，等等，都取得不錯(cuò)的效果，其原理是，收集大量行人數(shù)據(jù)并制作標(biāo)簽，設(shè)計(jì)一種卷積神經(jīng)網(wǎng)絡(luò)開(kāi)始訓(xùn)練模型。選取一張或者幾張行人圖像提取特征生成模板對(duì)待識(shí)別行人圖像提取特征，比較待識(shí)別行人特征和模板特征，通過(guò)設(shè)定閾值來(lái)判斷是否是目標(biāo)行人。

但是，該技術(shù)沒(méi)有解決背景干擾問(wèn)題，對(duì)不同場(chǎng)景適應(yīng)效果差，進(jìn)而導(dǎo)致誤差較大。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題在于提供了基于特征強(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，以解決現(xiàn)有技術(shù)中存在的誤差較大的技術(shù)問(wèn)題。

本發(fā)明實(shí)施例提供了基于特征強(qiáng)化引導(dǎo)卷積神經(jīng)網(wǎng)絡(luò)的行人再識(shí)別方法，所述方法包括：

1)收集行人圖像數(shù)據(jù)并做好分類(lèi)標(biāo)簽，并將分類(lèi)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；

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。

可選的，所述步驟1)，包括：