[發明專利]監控視頻噪聲環境下跨攝像頭行人重識別方法

有效

• 申請號: 202110355022.X
• 申請日: 2021-03-31
• 公開（公告）號: CN113378620B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 王麗園;胡彥杰;吳游宇;楊晶;肖進勝;羅豐;李正軍;熊文磊;馬天奕
• 申請（專利權）人: 中交第二公路勘察設計研究院有限公司
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V20/52;G06V20/40;G06V10/30;G06V10/82;G06V10/774;G06N3/045;G06N3/082
• 代理公司: 武漢開元知識產權代理有限公司 42104
• 代理人: 黃行軍

1.一種監控視頻噪聲環境下跨攝像頭行人重識別方法，其特征在于，包括以下步驟：

步驟(1)，對監控視頻中含有噪聲的行人數據集進行雙域濾波去噪處理，獲得行人圖像的高頻圖、噪聲的低頻圖；

步驟(2)，對所述步驟(1)中的圖片構建三元組，規定好損失函數；

步驟(3)，對三元組的圖片輸入到特征提取網絡中，提取特征；

步驟(4)，利用距離度量方法來計算行人特征的差異性，將所述步驟(3)輸出特征向量，進行k-倒排最近鄰重排序，優化排序結果作為最終匹配結果；

其中，在所述步驟(1)中，在行人重識別模型的訓練階段，選用Market-1501和CUHK03數據集，利用雙域濾波分解，得到行人的低頻圖和噪聲的高頻圖；所述雙域濾波的過程為將圖像變換到頻率域后，對圖像高頻部分進行去噪處理，再恢復到空間域中，生成去噪后的圖像；

在所述步驟(2)中，將原始行人圖作為三元組的固定樣本圖，將圖像分解得到的低頻圖作為正樣本圖，高頻圖作為負樣本圖，構建訓練三元組；損失函數Loss＝L_Cont+L_Trip，其中，L_Cont為對比損失，L_Trip為三元組損失，所述對比損失所述三元組損失其中，f_A、f_P、f_N分別為在通過行人重識別模型進行特征計算后得到原圖的特征向量、低頻圖的特征向量、高頻圖的特征向量，低頻圖對應y＝1，高頻圖對應y＝0，w為最小的間隔，λ、μ為權重因子。

2.如權利要求1所述的監控視頻噪聲環境下跨攝像頭行人重識別方法，其特征在于，所述步驟(1)包括以下步驟：

步驟(1.1)，對輸入圖像x遞歸地進行聯合雙邊濾波得到背景層圖像引導層

其中，N_p是以像素點p為中心，半徑為r的鄰域窗口；k(p,q)是雙邊濾波器的核函數；在第一次迭代時g＝x，即和輸入圖像一致，濾波結果將作為下次迭代的引導層；x(q)是輸入圖像x在像素點q處的值，g(q)是引導層在像素點q處的值；

步驟(1.2)，進行短時傅里葉變換，計算輸入圖像x和引導層g在該點的鄰域殘差和和并利用核函數k(p,q)進行加窗來進行系數收縮：

其中，i為虛數單位；f為頻率，f的取值范圍(-∞,+∞)；

步驟(1.3)，利用來構造高斯核函數結合計算細節層圖像

其中，F_p為對應的頻率分布矩陣，|F_p|是F_p的元素個數，是得到的細節層圖像。

3.如權利要求1所述的監控視頻噪聲環境下跨攝像頭行人重識別方法，其特征在于：在所述步驟(3)中，特征提取網絡基于ResNet50結構，行人重識別模型中每個子網絡都由一個相同的主干特征提取網絡構成，子網絡共享參數和權值。

4.如權利要求3所述的監控視頻噪聲環境下跨攝像頭行人重識別方法，其特征在于：在所述步驟(3)中，特征提取網絡的主干網絡ResNet50先在ImageNet上進行預訓練，然后再在行人重識別數據集上進行迭代優化；特征提取網絡的各子網絡通過ResNet50先得到2048維特征，然后通過最大池化和全連接層后最終得到1024維特征向量，用于特征提取網絡計算損失值。

5.如權利要求1所述的監控視頻噪聲環境下跨攝像頭行人重識別方法，其特征在于，所述步驟(4)進一步包括以下步驟：

對于查詢樣本q，其前k個與其最近鄰樣本的集合N(q,k)＝{p₁,p₂,…p_k}；

定義互為近鄰的樣本集合為k-互近鄰集合R(q,k)＝{g|(g∈N(q,k)∩q∈N(g,k))}；

針對樣本q的k-互近鄰集合中的每個樣本g，找到其1/2-k-互近鄰集合R(g,k/2)；

若1/2-k-互近鄰集合R(g,k/2)與樣本q的k-互近鄰集合N(q,k)重合樣本數量足夠大，則可以認為R(g,k/2)這個集合中的樣本與樣本q接近，并將其添加入查詢排序表中，表示為：

其中，k的取值為20，查詢樣本q根據實際結果為一個多個圖片的集合。