[發(fā)明專利]一種保留平移不變性的行人重識(shí)別方法、裝置及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010605632.6
• 申請(qǐng)日: 2020-06-29
• 公開(kāi)（公告）號(hào): CN111783624B
• 公開(kāi)（公告）日: 2023-03-24
• 發(fā)明（設(shè)計(jì)）人: 林修明;吳鴻偉;林淑強(qiáng);張永光;藍(lán)坤宏;魏煒途
• 申請(qǐng)（專利權(quán)）人: 廈門(mén)市美亞柏科信息股份有限公司
• 主分類號(hào): G06V40/10
• 分類號(hào): G06V40/10;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 廈門(mén)福貝知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 35235
• 代理人: 陳遠(yuǎn)洋

本發(fā)明提出了一種保留平移不變性的行人重識(shí)別方法、裝置及存儲(chǔ)介質(zhì)，該方法包括：訓(xùn)練步驟，使用樣本集對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練獲得訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，其中，所述神經(jīng)網(wǎng)絡(luò)的模型的下采樣層由步長(zhǎng)為1的最大池化層、步長(zhǎng)為2的平均池化層依次連接組成，或者由步長(zhǎng)為1的卷積層、ReLU激活函數(shù)層和步長(zhǎng)為2的平均池化層依次連接組成；行人重識(shí)別步驟，使用訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)攝像頭獲取的圖像進(jìn)行行人重識(shí)別獲得識(shí)別結(jié)果。本發(fā)明對(duì)卷積神經(jīng)網(wǎng)絡(luò)的下采樣層的結(jié)構(gòu)進(jìn)行了修改，僅使用平均池化層進(jìn)行下采樣操作，不會(huì)破壞整個(gè)網(wǎng)絡(luò)的平移不變性，提高了行人重識(shí)別的準(zhǔn)確性，且針對(duì)修改后的網(wǎng)絡(luò)結(jié)構(gòu)提出了樣本集及損失函數(shù)的具體修改方法。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，具體涉及一種保留平移不變性的行人重識(shí)別方法、裝置及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著社會(huì)和科技的進(jìn)步，人臉識(shí)別越來(lái)越成為一項(xiàng)可依賴的安防技術(shù)。但是對(duì)于現(xiàn)今大部分?jǐn)z像頭而言，其分辨率往往不能達(dá)到人臉識(shí)別系統(tǒng)的要求，故可以應(yīng)用于現(xiàn)有監(jiān)控系統(tǒng)的行人重識(shí)別技術(shù)是極有必要的。行人重識(shí)別(Person re-identification)是利用圖像處理技術(shù)來(lái)判定某一攝像頭下的行人是否出現(xiàn)在其他攝像頭中，從而可以描繪行人的活動(dòng)路徑，實(shí)現(xiàn)跨鏡頭追蹤的目的。現(xiàn)階段行人重識(shí)別常用方法主要有表征學(xué)習(xí)、度量學(xué)習(xí)、基于局部特征或視頻序列等方法。

CNN(卷積神經(jīng)網(wǎng)絡(luò))架構(gòu)由于采用多種下采樣策略(最大池化、步長(zhǎng)卷積等)導(dǎo)致網(wǎng)絡(luò)最后提取到的圖像特征丟失了平移不變性。而完整的行人重識(shí)別系統(tǒng)往往還需要疊加行人檢測(cè)模型(通常為CNN架構(gòu))以摳取背景圖中的行人圖片，若行人重識(shí)別網(wǎng)絡(luò)不具有良好的平移不變性，將受到行人檢測(cè)模型的影響從而限制了整個(gè)系統(tǒng)的識(shí)別性能。

發(fā)明內(nèi)容

本發(fā)明針對(duì)上述現(xiàn)有技術(shù)中一個(gè)或多個(gè)技術(shù)缺陷，提出了如下技術(shù)方案。

一種保留平移不變性的行人重識(shí)別方法，該方法包括：

訓(xùn)練步驟，使用樣本集對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練獲得訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，其中，所述神經(jīng)網(wǎng)絡(luò)的模型的下采樣層由步長(zhǎng)為1的最大池化層、步長(zhǎng)為2的平均池化層依次連接組成，或者由步長(zhǎng)為1的卷積層、ReLU激活函數(shù)層和步長(zhǎng)為2的平均池化層依次連接組成；

行人重識(shí)別步驟，使用訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)攝像頭獲取的圖像進(jìn)行行人重識(shí)別獲得識(shí)別結(jié)果。

更進(jìn)一步地，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括全局特征識(shí)別部分和局部特征識(shí)別部分。

更進(jìn)一步地，對(duì)所述樣本集中使用的三元組樣本添加隨機(jī)平移增強(qiáng)策略處理，所述三元組樣本增強(qiáng)策略為：每個(gè)三元組由標(biāo)準(zhǔn)樣本、正樣本和負(fù)樣本組成，以概率P₁選取三元組中的某一樣本對(duì)其進(jìn)行隨機(jī)平移調(diào)整，所述隨機(jī)平移調(diào)整以概率P₂對(duì)該樣本隨機(jī)平移m個(gè)像素。

更進(jìn)一步地，所述全局特征識(shí)別部分和局部特征識(shí)別部分使用的損失函數(shù)為L(zhǎng)_softmax、L_trihard和L_center。

更進(jìn)一步地，對(duì)損失函數(shù)為L(zhǎng)_softmax、L_trihard和L_center進(jìn)行加權(quán)計(jì)算，得到全局特征識(shí)別部分和局部特征識(shí)別部分的總損失函數(shù)L_total：

L_total＝L_softmax+γ_tL_trihard+γ_cL_center，其中，γ_t、γ_c為權(quán)重。

本發(fā)明還提出了一種保留平移不變性的行人重識(shí)別裝置，該裝置包括：