[發(fā)明專利]一種基于深度學(xué)習(xí)的行人重識別方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201910664912.1
• 申請日: 2019-07-23
• 公開（公告）號: CN110443164A
• 公開（公告）日: 2019-11-12
• 發(fā)明（設(shè)計）人: 余翠霞
• 申請（專利權(quán)）人: 嘉興市爵拓科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京國翰知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11696
• 代理人: 呂彩霞

1.一種基于深度學(xué)習(xí)的行人重識別方法，其特征在于，所述方法執(zhí)行以下步驟：

步驟S1：設(shè)定層建立識別模型，依次執(zhí)行第一次關(guān)鍵點檢測、第一次行人特征提取、系統(tǒng)建立和設(shè)定分類器的步驟；

步驟S2：識別層對待檢測樣本進行識別，依次執(zhí)行第二次關(guān)鍵點檢測、第二次行人特征獲取、匹配識別、結(jié)果提取和熵值檢測的步驟；其中，所述熵值檢測的步驟包括以下步驟：

步驟S2.1：在結(jié)果提取步驟中，提取的結(jié)果的基礎(chǔ)上，選取第n個灰度階像素點的個數(shù)Nn獲取xn和mn，mn為多項式輸入的整數(shù)部分，xn為多項式輸入的小數(shù)部分，Nn為自然數(shù)，n為大于等于0小于等于n的整數(shù)，n為圖像分塊的灰度階數(shù)；對數(shù)函數(shù)擬合的計算模塊，用于將Nn作為第n個時鐘周期的信號值，根據(jù)xn和mn獲取所述多項式的擬合輸出log2Nn，包括：k+1個計算單元，每個所述計算單元包括一個子求和模塊及t個子乘積模塊，k為所述擬合多項式的階數(shù)，t為大于等于0小于等于2的整數(shù)，其中，在第一個計算單元至第k個計算單元中，第r個計算單元用于向第r+1個計算單元輸出第k+1個計算單元用于輸出其中，xn和mn根據(jù)預(yù)設(shè)的公式獲得，mn為整數(shù)，r為大于等于1小于等于k的整數(shù)，p0～pk為多項式系數(shù)；

步驟S2.2：將所述log2Nn的擬合輸出與Nn相乘；

步驟S2.3：將所述log2Nn的擬合輸出作為log2Nn；以及計算p減去所述累加模塊的輸出值以獲得該結(jié)果提取的結(jié)果的熵值檢測的結(jié)果，其中，p＝log2P，P為該圖像分塊的像素總數(shù)；

步驟S3：根據(jù)熵值檢測的結(jié)果，判斷是否滿足熵值測評指標，將判斷結(jié)果反饋至設(shè)定層。

2.如權(quán)利要求1所述的基于深度學(xué)習(xí)的行人重識別方法，其特征在于，所述設(shè)定層在執(zhí)行第一次關(guān)鍵點檢測時，將行人圖像特征分散為多個局部特征，選取行人圖像樣本的10個位置，分別采用3個尺度獲取30個不同部位的RGB圖像其灰度圖；隨后將每一幅子圖像水平翻轉(zhuǎn)，將翻轉(zhuǎn)前后的圖像輸入至一個訓(xùn)練神經(jīng)管網(wǎng)絡(luò)；所述訓(xùn)練神經(jīng)網(wǎng)絡(luò)包括4個卷積層，其中第3個池化層的輸出與第4個卷積層的輸出連接后傳播至全連接層。

3.如權(quán)利要求2所述的方法，其特征在于，所述設(shè)定層在執(zhí)行第一次行人特征提取時，采用聚類中心重構(gòu)特征圖集合，具體包括：

步驟S1.1：獲取常規(guī)行人特征圖集及待歸一化行人特征圖集；

步驟S1.2：歸一化所述待歸一化行人特征圖集中的每張?zhí)卣鲌D，得到歸一化行人特征圖集；

步驟S1.3：將所述常規(guī)行人特征圖集及歸一化行人特征圖集合并，得到最終行人特征圖集；

步驟S1.4：將所述最終行人特征圖集中，任意相鄰的兩張行人特征圖進行特征融合，得到融合后的多尺寸行人特征圖。

4.如權(quán)利要求3所述的方法，其特征在于，所述設(shè)定層在進行系統(tǒng)建立時，執(zhí)行以下步驟：約簡特征圖集合及其特征圖內(nèi)部信息。

5.如權(quán)利要求4所述的方法，其特征在于，所述設(shè)定層設(shè)定分類器的方法執(zhí)行以下步驟：RVFL分類器替代SOFTMAX分類器。

6.如權(quán)利要求5所述的方法，其特征在于，所述判斷熵值測評指標執(zhí)行以下步驟：關(guān)于基于定義的人臉圖像不確定認知結(jié)果誤差語義熵測度指標用以評測人臉認知結(jié)果的可信度，若可信則輸出作為最終認知結(jié)果，否則自尋優(yōu)反饋調(diào)節(jié)更新特征空間和分類認知準則。