[發明專利]一種基于視頻檢測的行人重識別方法

有效

• 申請號: 201910434555.X
• 申請日: 2019-05-23
• 公開（公告）號: CN110232330B
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 薛麗敏;馮瑞;蔣龍泉
• 申請（專利權）人: 復鈞智能科技（蘇州）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T7/254;G06T7/269
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 郁旦蓉

1.一種基于視頻檢測的行人重識別方法，用于根據預定監控場景內拍攝的多個由圖像幀構成的待測視頻對所述預定監控場景內的目標行人進行識別，其特征在于，包括如下步驟：

步驟S1，讀取所述待測視頻中的所述圖像幀，利用幀間差分法對所述圖像幀進行計算，將所述圖像幀中差分強度局部最大值所對應的圖像幀作為所述待測視頻的關鍵幀；

步驟S2，基于檢測網絡提取所述關鍵幀中所述目標行人的特征，作為關鍵深度特征；

步驟S3，將所述圖像幀中其余的圖像幀作為非關鍵幀，基于光流網絡提取所述非關鍵幀中所述目標行人的特征，作為非關鍵深度特征以及相對應的手工特征；

步驟S4，對所述關鍵深度特征、所述非關鍵深度特征以及所述手工特征進行相似度計算，并根據所述相似度計算的結果來構建所述行人重識別模型；

步驟S5，通過行人重識別模型對每個所述待測視頻進行分析，獲取所述目標行人在每個所述待測視頻中的位置信息和時間信息，并且對每個所述待測視頻中的所述目標行人的位置信息和時間信息進行排序；

步驟S6，通過所述行人重識別模型對所有所述待測視頻進行分析，獲取每個所述待測視頻中所述目標行人出現的概率，并根據所述概率的大小對所述待測視頻進行排序；

步驟S7，根據步驟S5和步驟S6中所述排序的結果繪制所述目標行人在所述預定監控場景中出現的軌跡。

2.根據權利要求1所述的基于視頻檢測的行人重識別方法，其特征在于：

其中，所述步驟S1包括如下子步驟：

步驟S1-1，讀取所述待測視頻中的所述圖像幀；

步驟S1-2，計算相鄰的兩個所述圖像幀之間對應的像素點的灰度差值；

步驟S1-3，對所述灰度差值進行二值化計算，根據所述二值化計算的結果來判定所述像素點的坐標為前景坐標或背景坐標；

步驟S1-4，根據步驟S1-3中所述判定的結果獲取所述圖像幀中的運動區域；

步驟S1-5，對所述圖像幀進行連通性分析，當所述圖像幀中的所述運動區域的面積大于預定閾值時，則判定當前的所述圖像幀為所述關鍵幀。

3.根據權利要求1所述的基于視頻檢測的行人重識別方法，其特征在于：

其中，所述步驟S3中包括如下子步驟：

步驟S3-1，判斷所述圖像幀是否為關鍵幀，若判斷為否，則將所述圖像幀作為所述非關鍵幀；

步驟S3-2，基于光流估計算法對所述非關鍵幀和與所述非關鍵幀相鄰的上一個所述關鍵幀進行計算，獲取光流圖；

步驟S3-3，將所述關鍵幀的所述關鍵深度特征調整到與相對應的所述光流圖相同的空間分辨率上進行傳播；

步驟S3-4，根據所述傳播的結果提取所述非關鍵幀中的所述非關鍵深度特征以及相對應的所述手工特征。

4.根據權利要求3所述的基于視頻檢測的行人重識別方法，其特征在于：

其中，所述步驟S3-3中采用雙線性插值算法來對所述關鍵深度特征進行傳播。

5.根據權利要求3所述的基于視頻檢測的行人重識別方法，其特征在于：

其中，所述步驟S3-3中采用時間注意力機制對所述非關鍵幀中的像素點的矢量偏移量進行限制。

6.根據權利要求1所述的基于視頻檢測的行人重識別方法，其特征在于：

其中，所述步驟S4包括如下子步驟：

步驟S4-1，對所述關鍵深度特征、所述非關鍵深度特征以及所述手工特征進行相似度計算，獲取相似度矩陣；

步驟S4-2，將所述相似度矩陣融合損失函數進行參數學習，從而搭建所述行人重識別模型。

7.根據權利要求6所述的基于視頻檢測的行人重識別方法，其特征在于：

其中，所述步驟S4-2包括如下子步驟：

步驟S4-2-1，利用Softmax損失函數對所述相似度矩陣進行分類學習，從而去除所述相似度矩陣中沒有行人的檢測框；

步驟S4-2-2，采用余弦距離度量的方法依次計算所述手工特征與所述關鍵深度特征和所述非關鍵深度特征之間的距離，并根據所述距離的大小進行排序；

步驟S4-2-3，基于所述排序的結果，利用OIM損失函數以多任務的方式對所述相似度矩陣繼續進行參數學習，從而搭建所述行人重識別模型。