[發(fā)明專利]行人重識別系統(tǒng)及方法

有效

• 申請?zhí)枺?/td>: 201910049231.4
• 申請日: 2019-01-18
• 公開（公告）號: CN109800710B
• 公開（公告）日: 2021-04-06
• 發(fā)明（設(shè)計）人: 滕竹;李芮;張寶鵬;田佳杰;李妍
• 申請（專利權(quán)）人: 北京交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46
• 代理公司: 北京市商泰律師事務(wù)所 11255
• 代理人: 鄒芳德

1.一種行人重識別方法，所述行人重識別方法通過行人重識別系統(tǒng)實現(xiàn)，其特征在于，所述行人重識別方法包括如下步驟：

步驟S110：通過基于稀疏編碼的深度學習網(wǎng)絡(luò)對不同的原始圖像進行圖像重構(gòu)，得到對應(yīng)的重構(gòu)矩陣；

步驟S120：結(jié)合注意力機制神經(jīng)網(wǎng)絡(luò)提取不同的重構(gòu)矩陣中對應(yīng)的特征向量；

步驟S130：計算各個重構(gòu)矩陣中對應(yīng)的所述特征向量的分類損失結(jié)果和驗證損失結(jié)果，根據(jù)所述分類損失結(jié)果和所述驗證損失結(jié)果判斷特征提取模塊是否收斂，若收斂，則進行步驟S140；否則，根據(jù)所述分類損失結(jié)果和所述驗證損失結(jié)果梯度反向傳播更新注意力機制神經(jīng)網(wǎng)絡(luò)參數(shù)，直至收斂；

步驟S140：若步驟S130判斷結(jié)果為收斂，計算不同重構(gòu)矩陣的特征向量之間的差異度，若差異度大于設(shè)定的閾值，則判斷為不屬于同一行人，若差異度小于設(shè)定的閾值，則判斷為屬于同一行人；

所述步驟S130具體包括：

利用歸一化指數(shù)函數(shù)，計算分類損失結(jié)果：

其中，n表示數(shù)據(jù)集中行人的ID總數(shù)，y_i表示行人i的ID真值；

利用歸一化指數(shù)函數(shù)，計算驗證損失結(jié)果：

其中，j＝1表示兩張圖像為同一行人，j＝2表示兩張圖像為不同行人，P_j表示不同原始圖像中的行人的ID真值是否為同一行人的ID真值，c₁表示同一個體的特征中心，c₂為不同個體的特征中心，x表示兩張圖像間的歐氏距離；

所述行人重識別系統(tǒng)，包括：

圖像重構(gòu)模塊，用于通過基于稀疏編碼的深度學習網(wǎng)絡(luò)對不同的原始圖像進行圖像重構(gòu)，得到對應(yīng)的重構(gòu)矩陣；

特征提取模塊，用于結(jié)合注意力機制神經(jīng)網(wǎng)絡(luò)提取不同的重構(gòu)矩陣中對應(yīng)的特征向量；

損失計算模塊，用于計算各個重構(gòu)矩陣中對應(yīng)的所述特征向量的分類損失結(jié)果和驗證損失結(jié)果，根據(jù)所述分類損失結(jié)果和所述驗證損失結(jié)果判斷特征提取模塊是否收斂，若收斂，則將各個重構(gòu)矩陣中對應(yīng)的所述特征向量發(fā)送至判斷模塊；否則，根據(jù)所述分類損失結(jié)果和所述驗證損失結(jié)果梯度反向傳播更新注意力機制神經(jīng)網(wǎng)絡(luò)參數(shù)，直至收斂；

判斷模塊，用于計算不同重構(gòu)矩陣的特征向量之間的差異度，若差異度大于設(shè)定的閾值，則判斷為不屬于同一行人，若差異度小于設(shè)定的閾值，則判斷為屬于同一行人。

2.根據(jù)權(quán)利要求1所述的行人重識別方法，其特征在于，所述行人重識別系統(tǒng)還包括：

圖像預處理模塊，用于對采集到的原始圖像調(diào)整成固定大小，去均值處理，設(shè)置隨機選取輸入圖像樣本對的方式。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：在步驟S110之前，對采集到的原始圖像調(diào)整成固定大小，去均值處理，設(shè)置隨機選取輸入圖像樣本對的方式。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S130中，判斷是否收斂具體包括：

取相鄰兩次迭代計算的分類損失結(jié)果之差和驗證損失結(jié)果之差，若差值小于預設(shè)的閾值，則判斷為收斂，否則為未收斂。