[發(fā)明專利]基于語(yǔ)義一致水平條和前景修正的行人重識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010918791.1
• 申請(qǐng)日: 2020-09-04
• 公開(kāi)（公告）號(hào): CN111783753B
• 公開(kāi)（公告）日: 2020-12-15
• 發(fā)明（設(shè)計(jì)）人: 郭海云;朱寬;王金橋;唐明
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院自動(dòng)化研究所
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京市恒有知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11576
• 代理人: 郭文浩;尹文會(huì)

1.一種基于語(yǔ)義一致水平條和前景修正的行人重識(shí)別方法，其特征在于，該方法包括：

步驟S10，獲取待識(shí)別的圖像，作為輸入圖像；

步驟S20，通過(guò)行人重識(shí)別模型的特征提取層提取所述輸入圖像的特征，作為第一特征；

步驟S30，基于所述第一特征，通過(guò)行人重識(shí)別模型中預(yù)訓(xùn)練的行分類器分別獲取所述輸入圖像中行人對(duì)應(yīng)的前景特征作為第二特征，獲取所述輸入圖像中行人各設(shè)定部位水平條區(qū)域的特征作為第三特征；

步驟S40，將所述第二特征與所述第三特征進(jìn)行點(diǎn)對(duì)點(diǎn)相乘，并與所述第一特征拼接，得到第四特征；

步驟S50，計(jì)算所述第四特征與圖像庫(kù)中各圖像對(duì)應(yīng)特征的歐式距離并進(jìn)行排序，將排序結(jié)果作為重識(shí)別結(jié)果進(jìn)行輸出；

其中，所述行人重識(shí)別模型基于深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建；所述行分類器基于全連接層和softmax層構(gòu)建，其訓(xùn)練方法為：

步驟A10，獲取訓(xùn)練樣本圖像集；

步驟A20，對(duì)所述訓(xùn)練樣本圖像集中的任一圖像，提取其行特征并池化，得到其對(duì)應(yīng)的平均特征；

步驟A30，判斷當(dāng)前的迭代次數(shù)M是否為N的倍數(shù)，若是，則執(zhí)行步驟A40，否則跳轉(zhuǎn)步驟A50；其中，N、M為自然數(shù)；

步驟A40，提取所述訓(xùn)練樣本圖像集中所有訓(xùn)練樣本圖像的平均特征，并通過(guò)自相似聚類獲取每一行對(duì)應(yīng)的偽標(biāo)簽，執(zhí)行步驟A50；

步驟A50，計(jì)算步驟A20獲取的平均特征與所述偽標(biāo)簽的損失，并對(duì)所述行分類器進(jìn)行參數(shù)更新。

2.根據(jù)權(quán)利要求1所述的基于語(yǔ)義一致水平條和前景修正的行人重識(shí)別方法，其特征在于，所述自相似聚類為k-means聚類方法。

3.根據(jù)權(quán)利要求1所述的基于語(yǔ)義一致水平條和前景修正的行人重識(shí)別方法，其特征在于，“通過(guò)行人重識(shí)別模型中預(yù)訓(xùn)練的行分類器分別獲取所述輸入圖像中行人對(duì)應(yīng)的前景特征作為第二特征”，其方法為：

通過(guò)所述行分類器獲取所述輸入圖像中各像素點(diǎn)對(duì)人體各個(gè)部位的置信度；

將置信度大于第一設(shè)定閾值的像素點(diǎn)作為前景像素，將置信度小于第二設(shè)定閾值的像素點(diǎn)作為背景像素；

基于提取的前景像素構(gòu)建的特征作為所述輸入圖像中行人對(duì)應(yīng)的前景特征。

4.根據(jù)權(quán)利要求1所述的基于語(yǔ)義一致水平條和前景修正的行人重識(shí)別方法，其特征在于，“通過(guò)行人重識(shí)別模型中預(yù)訓(xùn)練的行分類器獲取所述輸入圖像中行人各設(shè)定部位水平條區(qū)域的特征作為第三特征”，其方法為：

通過(guò)所述行分類器對(duì)所述輸入圖像進(jìn)行語(yǔ)義分割，得到所述輸入圖像中行人各設(shè)定部位水平條區(qū)域的置信圖；

將各置信圖分別與所述第一特征進(jìn)行點(diǎn)對(duì)點(diǎn)乘積運(yùn)算，得到所述輸入圖像中行人各設(shè)定部位水平條區(qū)域的特征。

5.根據(jù)權(quán)利要求1所述的基于語(yǔ)義一致水平條和前景修正的行人重識(shí)別方法，其特征在于，所述行人重識(shí)別模型，其在訓(xùn)練時(shí)的損失函數(shù)為：

其中，表示行人重識(shí)別模型的損失值，表示行人重識(shí)別模型在訓(xùn)練時(shí)一批次的訓(xùn)練樣本圖像的數(shù)量，表示批次，表示行人重識(shí)別模型在訓(xùn)練時(shí)一批次的訓(xùn)練樣本圖像中的任一圖像，表示圖像集A中圖像特征與的特征的歐式距離最大的一張訓(xùn)練樣本圖像，表示圖像集B中圖像特征與的特征的歐式距離最小的一張訓(xùn)練樣本圖像，表示預(yù)設(shè)的距離間隔，表示包含與相同ID的所有圖像的圖像集，表示當(dāng)前批次中除了中包含的圖像外所有圖像構(gòu)建的圖像集，表示歐氏距離。