[發明專利]一種基于域不變特征和時空特征的重識別方法

在審

• 申請號: 202011387708.9
• 申請日: 2020-12-01
• 公開（公告）號: CN112528788A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 彭德光;孫健;唐賢倫;黃攀;易興
• 申請（專利權）人: 重慶兆光科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶渝之知識產權代理有限公司 50249
• 代理人: 陸蕾

本發明提出一種基于域不變特征和時空特征的重識別方法，包括：獲取輸入圖像中目標對象的特征；構建貝葉斯模型，預測目標對象在多個圖像采集裝置間遷移的時空概率，獲取時空特征；根據所述目標對象的特征構建多個圖像采集裝置之間同一目標對象的統一特征表示；根據所述統一特征表示獲取具有域不變性的域不變特征；根據所述時空特征和域不變特征構建時空注意力熱度圖，用于訓練識別網絡，基于所述識別網絡輸出目標對象識別結果；本發明可有效提高跨域識別的效率和精度。

技術領域

本發明涉及人工智能領域，尤其涉及一種基于域不變特征和時空特征的重識別方法。

背景技術

行人重識別旨在實現不重疊的不同攝像頭下同一行人圖像的匹配技術，在加強社會安全管理、預防犯罪行為發生以及實現事件重構等方面具有重要應用價值，由此智能視頻監控系統得到了蓬勃發展。行人重識別是智能視頻分析領域的研究熱點,得到了社會的廣泛重視。傳統依靠生物信息的行人識別方法，如人臉識別和虹膜識別在大規模的城市監控中往往是不可行的，因為城市監控攝像頭難以捕捉到高清的行人圖像信息。相反，基于視覺特征的識別方法往往比基于生物信息的識別方法更加可靠，基于人的外觀，比如一個人攜帶的物品或者行人的衣服，可以更可靠地被利用在行人重新識別。行人重識別目前使用較多的方法為基于表征學習的方法、基于度量學習的方法、基于局部特征的方法以及基于視頻序列學習的方法。上述方法基本采用監督學習的方式，對數據集圖成像特征的一致性要求較高，在實際運用時，會出現精度大幅度下降的情況，對于模型泛化是一大挑戰。

發明內容

鑒于以上現有技術存在的問題，本發明提出一種基于域不變特征和時空特征的重識別方法，主要解決跨域識別精度受限的問題。

為了實現上述目的及其他目的，本發明采用的技術方案如下。

一種基于域不變特征和時空特征的重識別方法，包括：

獲取輸入圖像中目標對象的特征；

構建貝葉斯模型，預測目標對象在多個圖像采集裝置間遷移的時空概率，獲取時空特征；

根據所述目標對象的特征構建多個圖像采集裝置之間同一目標對象的統一特征表示；

根據所述統一特征表示獲取具有域不變性的域不變特征；

根據所述時空特征和域不變特征構建時空注意力熱度圖，用于訓練識別網絡，基于所述識別網絡輸出目標對象識別結果。

可選地，構建貝葉斯模型，預測目標對象在多個圖像采集裝置間遷移的時空概率，獲取時空特征，包括：

以目標對象的特征為先驗知識并利用余弦相似度構建分類器，根據所述目標對象的特征對應的時空信息，評估目標對象在下一時刻出現在某一圖像采集裝置的概率，作為所述時空概率；

根據所述時空概率選出滿足時空約束的多個圖像采集裝置的圖像，獲取時空特征。

可選地，評估目標對象在下一時刻出現在某一圖像采集裝置的概率，包括：

構造特征聯合器，以相鄰時刻兩個圖像采集裝置的圖像作為輸入，輸出兩圖像匹配的概率作為所述時空概率。

可選地，所述特征聯合器表示為：

其中，M₁表示分類器C基于視覺特征的判斷，α，β為可配置參數，以獲得更一般的F匹配函數。v_i和v_j分別表示輸入的目標對象的特征，c_i和c_j分別表示預測的圖像采集裝置對應的特征。

可選地，根據所述目標對象的特征構建多個圖像采集裝置之間同一目標對象的統一特征表示，包括：

構建公共圖像樣式庫；