[發明專利]一種基于深度學習的行人重識別方法和系統

在審

• 申請號: 201910664912.1
• 申請日: 2019-07-23
• 公開（公告）號: CN110443164A
• 公開（公告）日: 2019-11-12
• 發明（設計）人: 余翠霞
• 申請（專利權）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: 北京國翰知識產權代理事務所(普通合伙) 11696
• 代理人: 呂彩霞

本發明屬于深度學習技術領域，具體涉及一種基于深度學習的行人重識別方法和系統。所述方法執行以下步驟：步驟S1：設定層建立識別模型，依次執行第一次關鍵點檢測、第一次行人特征提取、系統建立和設定分類器的步驟；步驟S2：識別層對待檢測樣本進行識別，依次執行第二次關鍵點檢測、第二次行人特征獲取、匹配識別、結果提取和熵值檢測的步驟；步驟S3：根據熵值檢測的結果，判斷是否滿足熵值測評指標，將判斷結果反饋至設定層。具有識別準確、智能化程度高和結構簡單的優點。

技術領域

本發明屬于深度學習技術領域，具體一種基于深度學習的行人重識別方法和系統。

背景技術

行人重識別(Personre-identification)也稱行人再識別，是利用計算機視覺技術判斷圖像或者視頻序列中是否存在特定行人的技術。廣泛被認為是一個圖像檢索的子問題。給定一個監控行人圖像，檢索跨設備下的該行人圖像。旨在彌補目前固定的攝像頭的視覺局限，并可與行人檢測/行人跟蹤技術相結合，可廣泛應用于智能視頻監控、智能安保等領域。

由于不同攝像設備之間的差異，同時行人兼具剛性和柔性的特性，外觀易受穿著、尺度、遮擋、姿態和視角等影響，使得行人重識別成為計算機視覺領域中一個既具有研究價值同時又極具挑戰性的熱門課題。

發明內容

有鑒于此，本發明的主要目的在于提供一種基于深度學習的行人重識別方法和系統，具有識別準確、智能化程度高和結構簡單的優點。

為達到上述目的，本發明的技術方案是這樣實現的：

一種基于深度學習的行人重識別方法，所述方法執行以下步驟：

步驟S1：設定層建立識別模型，依次執行第一次關鍵點檢測、第一次行人特征提取、系統建立和設定分類器的步驟；

步驟S2：識別層對待檢測樣本進行識別，依次執行第二次關鍵點檢測、第二次行人特征獲取、匹配識別、結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：在結果提取步驟中，提取的結果的基礎上，選取第n個灰度階像素點的個數Nn獲取xn和mn，mn為多項式輸入的整數部分，xn為多項式輸入的小數部分，Nn為自然數，n為大于等于0小于等于n的整數，n為圖像分塊的灰度階數；對數函數擬合的計算模塊，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，t為大于等于0小于等于2的整數，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根據預設的公式獲得，mn為整數，r為大于等于1小于等于k的整數，p0～pk為多項式系數；

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果提取的結果的熵值檢測的結果，其中，p＝log2P，P為該圖像分塊的像素總數；

步驟S3：根據熵值檢測的結果，判斷是否滿足熵值測評指標，將判斷結果反饋至設定層。

進一步的，所述設定層在執行第一次關鍵點檢測時，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，將翻轉前后的圖像輸入至一個訓練神經管網絡；所述訓練神經網絡包括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。

進一步的，所述設定層在執行第一次行人特征提取時，采用聚類中心重構特征圖集合，具體包括：

步驟S1.1：獲取常規行人特征圖集及待歸一化行人特征圖集；