[發明專利]一種基于深度學習的行人重識別方法及系統在審
| 申請號： | 201910775166.3 | 申請日： | 2019-08-21 |
| 公開（公告）號： | CN110705345A | 公開（公告）日： | 2020-01-17 |
| 發明（設計）人： | 羅洪燕;沈璽 | 申請（專利權）人： | 重慶特斯聯智慧科技股份有限公司 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 11619 北京辰權知識產權代理有限公司 | 代理人： | 谷波 |
| 地址： | 400042 重慶*** | 國省代碼： | 重慶;50 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 特征向量組 匹配度 視頻畫面 大小判斷 預設算法 識別率 權重 匹配 圖像 學習 | ||
1.一種基于深度學習的行人重識別方法，其特征在于，包括：
獲取視頻畫面中存在的全部行人目標；
指定某一視頻畫面中的一行人目標作為指定行人目標；
利用預設算法，提取所述指定行人目標的特征向量組以及所述全部行人目標的特征向量組；
將所述行人目標的特征向量組與所述指定行人目標的特征向量組進行匹配，計算匹配度值；
判斷所述匹配度值是否大于閾值；如果所述匹配度值大于閾值，則所述行人目標屬于指定行人目標。
2.如權利要求1所述的一種基于深度學習的行人重識別方法，其特征在于，利用預設算法，提取所述指定行人目標的特征向量組以及所述全部行人目標的特征向量組，包括：
利用經過訓練的深度學習算法，提取所述指定行人目標的特征向量組以及所述全部行人目標的特征向量組。
3.如權利要求2所述的一種基于深度學習的行人重識別方法，其特征在于，所述經過訓練的深度學習算法，包括：
對行人目標進行自適應區域劃分，提取所述行人目標的整體特征向量與每個區域的區域特征向量；
根據所述整體特征向量與所述區域特征向量，生成所述全部行人目標的特征向量組與指定行人目標的特征向量組。
4.如權利要求3所述的一種基于深度學習的行人重識別方法，其特征在于，對行人目標進行自適應區域劃分，提取所述行人目標的整體特征向量與每個區域的區域特征向量，包括：
所述行人目標的圖像輸入卷積神經網絡的區域劃分模塊，生成不同區域的掩模圖；
將所述不同區域的掩模圖與所述行人目標的圖像進行疊加，獲取所述行人目標的不同區域；
將所述行人目標的圖像與所述人物目標的不同區域分別輸入卷積神經網絡的特征提取模塊，提取所述行人目標的整體特征向量與每個區域的區域特征向量。
5.如權利要求1所述的一種基于深度學習的行人重識別方法，其特征在于，所述行人目標的特征向量組與所述指定行人目標的特征向量組進行匹配，計算匹配度值，包括：
分別計算所述行人目標的特征向量組與所述指定行人目標的特征向量組中對應特征向量的余弦距離；
計算所述余弦距離的權重平均值，生成匹配度值。
6.一種基于深度學習的行人重識別系統，其特征在于，所述系統包括：
獲取模塊，用于獲取視頻畫面中存在的全部行人目標；
指定模塊，用于指定某一視頻畫面中的一行人目標作為指定行人目標；
提取模塊，用于利用預設算法，提取所述指定行人目標的特征向量組以及所述全部行人目標的特征向量組；
計算模塊，用于將所述行人目標的特征向量組與所述指定行人目標的特征向量組進行匹配，計算匹配度值；
判斷模塊，用于判斷所述匹配度值是否大于閾值；如果所述匹配度值大于閾值，則所述行人目標屬于指定行人目標。
7.如權利要求6所述的一種基于深度學習的行人重識別系統，其特征在于，所述提取模塊，包括：
利用經過訓練的深度學習算法，提取所述指定行人目標的特征向量組以及所述全部行人目標的特征向量組。
8.如權利要求7所述的一種基于深度學習的行人重識別系統，其特征在于，所述提取模塊中，所述經過訓練的深度學習算法，包括：
提取子模塊，用于對行人目標進行自適應區域劃分，提取所述行人目標的整體特征向量與每個區域的區域特征向量；
生成子模塊，用于根據所述整體特征向量與所述區域特征向量，生成所述全部行人目標的特征向量組與指定行人目標的特征向量組。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于重慶特斯聯智慧科技股份有限公司，未經重慶特斯聯智慧科技股份有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910775166.3/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：一種基于深度學習的人群計數模型及其實現方法
- 下一篇：一種大尺度人臉變形方法
