[發(fā)明專利]一種融合行人屬性的行人重識(shí)別的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010092608.7
• 申請(qǐng)日: 2020-02-14
• 公開（公告）號(hào): CN111339849A
• 公開（公告）日: 2020-06-26
• 發(fā)明（設(shè)計(jì)）人: 陳雙葉;張洪路
• 申請(qǐng)（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 沈波

本發(fā)明公開了一種融合行人屬性的行人重識(shí)別方法，首先對(duì)視頻中的行人檢測(cè)，將檢測(cè)到的行人輸入的本發(fā)明設(shè)計(jì)的行人重識(shí)別網(wǎng)絡(luò)，通過(guò)行人屬性預(yù)測(cè)分支獲得行人屬性的特征向量，然后將該向量融合到行人識(shí)別分支，最后行人識(shí)別分支輸出包含有行人屬性的行人特征向量。本方法設(shè)計(jì)了一個(gè)端到端的網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)預(yù)測(cè)行人屬性獲得行人屬性的特征向量，將行人屬性的特征向量融合到行人識(shí)別分支，幫助完成行人重識(shí)別的任務(wù)，提高了行人重識(shí)別的精度，模型有更好的魯棒性和泛化能力；同時(shí)在一次前向推理過(guò)程完成兩個(gè)任務(wù)，速度基本上不受影響；本發(fā)明提出的融合行人屬性的行人重識(shí)別方法對(duì)行人重識(shí)別在安防領(lǐng)域的應(yīng)用有深遠(yuǎn)的意義。

技術(shù)領(lǐng)域

本發(fā)明涉及一種行人重識(shí)別方法，尤其涉及一種融合人體屬性的行人重識(shí)別方法，屬于機(jī)器視覺(jué)領(lǐng)域。

背景技術(shù)

行人重識(shí)別也稱行人再識(shí)別，是利用計(jì)算機(jī)視覺(jué)技術(shù)判斷圖像或者視頻序列中是否存在特定行人的技術(shù)。廣泛被認(rèn)為是圖像檢索的子問(wèn)題，目的是在給定一個(gè)監(jiān)控行人圖像，檢索跨設(shè)備下的該行人圖像。

在監(jiān)控視頻中，由于相機(jī)分辨率和攝像機(jī)角度的緣故，通常無(wú)法得到質(zhì)量非常高的人臉圖像，此時(shí)人臉識(shí)別模型無(wú)法識(shí)別一個(gè)人的身份。當(dāng)人臉識(shí)別失效的情況下，行人重識(shí)別技術(shù)就成為了跨不同設(shè)備尋找行人的另一個(gè)非常重要的手段。行人重識(shí)別有一個(gè)非常重要的特性就是跨攝像機(jī)，行人重識(shí)別已經(jīng)在學(xué)術(shù)界有很多年，但直到最近幾年隨著深度學(xué)習(xí)的發(fā)展，才取得了非常巨大的突破。

在近幾年，超過(guò)30多個(gè)關(guān)于行人重識(shí)別的數(shù)據(jù)集被公開，比如較小的數(shù)據(jù)集VIPeR，GRID；以及較大數(shù)據(jù)集MSMT17等。可是最大的行人重識(shí)別數(shù)據(jù)集相比于ImageNet數(shù)據(jù)集也是很小的。這主要是由于在不相交的相機(jī)視圖中收集具有成對(duì)label的人物圖像有較大的難度和昂貴的成本。因此當(dāng)前的學(xué)術(shù)界主要把研究重點(diǎn)集中在基于當(dāng)前有限的數(shù)據(jù)集上設(shè)計(jì)性能更優(yōu)的算法。

發(fā)明內(nèi)容

本發(fā)明提供了一種融合行人屬性的行人重識(shí)別方法。本發(fā)明通過(guò)對(duì)行人屬性的識(shí)別，將行人屬性的特征融合到行人識(shí)別中，提出了一種融合行人屬性的行人重識(shí)別方法，其特征在于設(shè)計(jì)了一種融合行人屬的行人重識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)。

步驟1：數(shù)據(jù)準(zhǔn)備

基于Market-1501和DukeMTMC-reID數(shù)據(jù)集。該數(shù)據(jù)集標(biāo)注了行人屬性和行人的身份這兩種標(biāo)簽，行人屬于標(biāo)簽包括：young,old,bag,handbag gender等，該標(biāo)簽用于行人屬性識(shí)別；其次行人身份ID用于行人重識(shí)別的任務(wù)。

步驟2：行人特征提取網(wǎng)絡(luò)

行人特征的提取采用DenseNet的思想，DenseNet的整體結(jié)構(gòu)主要包含稠密塊(Dense Blocks)和過(guò)渡塊(transition layers)。

Dense Blocks內(nèi)部必須特征圖大小一致，每層的輸入是concat連接，而不是ResNet的element-wise連接，內(nèi)部的每一個(gè)節(jié)點(diǎn)代表BN+ReLU，每個(gè)卷積層都是33k的filter，其中k被稱為growth rate。Transition layers中包含的Pooling層會(huì)改變特征圖的大小。若每個(gè)Dense Block有12層，輸入到該block的feature map數(shù)為16，k＝12，則第一個(gè)Dense Block所有輸出的concat起來(lái)的feature map數(shù)是16+1212＝160，transitionlayer節(jié)點(diǎn)由BN-Conv-Pool組成，卷積由11構(gòu)成，num_out數(shù)保持和輸入一致，第二、三個(gè)的輸出feature map數(shù)量分別是160+1212＝304，304+1212＝448。

前向傳播過(guò)程表示如下：

x_i＝H_i([x₀，x₁,...,x_i-1]) 1-1