[發(fā)明專利]基于姿態(tài)估計(jì)與視點(diǎn)機(jī)制融合的行人再識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910287259.1
• 申請(qǐng)日: 2019-04-08
• 公開（公告）號(hào): CN110008913A
• 公開（公告）日: 2019-07-12
• 發(fā)明（設(shè)計(jì)）人: 徐曾春;裴嘉震;胡平
• 申請(qǐng)（專利權(quán)）人: 南京工業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.基于姿態(tài)估計(jì)與視點(diǎn)機(jī)制融合的行人再識(shí)別方法，其特征在于，所述方法包括以下步驟：

步驟一：行人再識(shí)別數(shù)據(jù)集采集，獲取行人再識(shí)別公開數(shù)據(jù)集，區(qū)分訓(xùn)練集與測(cè)試集，進(jìn)入步驟二；

步驟二：行人再識(shí)別數(shù)據(jù)集訓(xùn)練，將行人再識(shí)別公開數(shù)據(jù)集的訓(xùn)練集作為深度卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集，最終得到行人再識(shí)別模型進(jìn)行進(jìn)入步驟三；

步驟三：特征提取與融合，根據(jù)步驟二，得到的行人再識(shí)別模型，對(duì)查詢圖像與庫(kù)圖像提取網(wǎng)絡(luò)中的全局特征與局部特征，將一張圖像輸入網(wǎng)絡(luò)后，通過特征嵌入網(wǎng)絡(luò)與特征融合網(wǎng)絡(luò)最終獲得一個(gè)2048維向量特征進(jìn)入步驟四；

步驟四：再識(shí)別分析，根據(jù)步驟三獲得的2048維特征向量，計(jì)算查詢圖像特征與待查詢圖像特征之間的歐幾里得距離，將該距離由小到大排序，排名較前的圖像較大可能與查詢圖像為同一行人，并利用CMC累積匹配曲線中的RANK1，RANK5，RANK10，RANK20與平均精度mAP作為算法性能的評(píng)價(jià)指標(biāo)。

2.根據(jù)權(quán)利要求1所述的基于姿態(tài)估計(jì)與視點(diǎn)機(jī)制融合的行人再識(shí)別方法，其特征在于，步驟一中所述得到行人再識(shí)別數(shù)據(jù)集方法包括以下步驟：

步驟一：獲取廣泛使用的行人再識(shí)別數(shù)據(jù)集CHUK 03，Market-1501，與DukeMTMC-reID數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，將CHUK03中的第三組的100個(gè)行人圖像作為測(cè)試集，剩余1367個(gè)行人的圖像作為訓(xùn)練集，Market1501訓(xùn)練集有751人，包含12,936張圖像；測(cè)試集有750人，包含19,732張圖像；訓(xùn)練集有702個(gè)行人的16522張圖像，測(cè)試集有702個(gè)行人的17661張圖像。

3.根據(jù)權(quán)利要求1所述的基于姿態(tài)估計(jì)與視點(diǎn)機(jī)制融合的行人再識(shí)別方法，其特征在于，步驟二所述的卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練包括以下步驟：

步驟一：訓(xùn)練過程中，輸入圖像進(jìn)入我們的卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行特征提取，深度卷積神經(jīng)網(wǎng)絡(luò)框架由特征嵌入網(wǎng)絡(luò)與特征融合網(wǎng)絡(luò)組成，其主干網(wǎng)絡(luò)為Resnet50；

步驟二：考慮訓(xùn)練過程中的損失函數(shù)，我們采用三個(gè)Softmax loss作為L(zhǎng)oss函數(shù)，分別為全局損失，融合損失，局部損失，統(tǒng)一用以下公式作為損失函數(shù)：