This application provides pedestrian recognition methods and related products. The methods include: feature extraction of target image by preset convolution neural network training model, obtaining the first feature set, preset convolution neural network training model consists of the first training module and the second training module, and fusing the features extracted by the first training module and the second training module into a feature set; Determine the Hamming distance between the first feature set and each second feature set of multiple second feature sets, and obtain multiple Hamming distance values; calculate the similarity probability values between the input image and each image in the image database through multiple Hamming distance values, and obtain multiple similarity probability values; select the similarity probability values greater than the preset threshold from multiple similarity probability values, and obtain at least one target. Similarity probability value; display the image in the image library corresponding to at least one target similarity probability value to the user in the order of similarity probability value from large to small. This application can improve the accuracy of pedestrian identification.
【技术实现步骤摘要】
行人重识别方法及相关产品
本申请涉及图像处理
,具体涉及一种行人重识别方法及相关产品。
技术介绍
行人重识别(PersonRe-identification),简称ReID,是一种利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术,即给定一个监控行人图像的情况下,检索跨设备下的该目标图像。旨在弥补当前固定摄像头的视觉局限,同时可与行人检测/行人跟踪技术相结合。行人重识别技术(ReID),被认为是一个图像检索的子问题,可广泛应用于智能视频监控、智能安保等领域。在监控视频中,由于摄像头分辨率的缘故,通常无法得到质量非常高的人脸图片。在人脸识别失效的情况下,ReID就成为了一个非常重要的替代品技术。而且,实际视频监控场景复杂,而不同摄像头所处的角度、光照等环境的影响,导致同一个行人在不同摄像头下所表现出的外貌特征会不一样;相反,由于摄像头角度和行人姿态的变化,导致不同行人的外貌特征可能比同一人的外貌特征更相似,进而对行人重识别造成极大的影响。
技术实现思路
本申请实施例提供了一种行人重识别方法及相关产品,能够提高行人重识别精准率。本申请实施例第一方面提供了一种行人重识别方法,包括:获取输入图像;对所述输入图像进行预处理,得到目标图像;通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,所述预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将所述第一训练模块和所述第二训练模块提取的特征融合成一个特征集,所述第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,所述第二训练模型基于S ...
【技术保护点】
1.一种行人重识别方法,其特征在于,包括:获取输入图像;对所述输入图像进行预处理,得到目标图像;通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,所述预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将所述第一训练模块和所述第二训练模块提取的特征融合成一个特征集,所述第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,所述第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征;通过所述预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集;确定所述第一特征集与所述多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值;通过所述多个汉明距离值计算所述输入图像与所述图像库中每一图像之间的相似概率值,得到多个相似概率值;从所述多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值;按照相似概率值由大到小的顺序将所述至少一个目标相似概率值对应的所述图像库中的图像展示给用户。
【技术特征摘要】
1.一种行人重识别方法,其特征在于,包括:获取输入图像;对所述输入图像进行预处理,得到目标图像;通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,所述预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将所述第一训练模块和所述第二训练模块提取的特征融合成一个特征集,所述第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,所述第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征;通过所述预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集;确定所述第一特征集与所述多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值;通过所述多个汉明距离值计算所述输入图像与所述图像库中每一图像之间的相似概率值,得到多个相似概率值;从所述多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值;按照相似概率值由大到小的顺序将所述至少一个目标相似概率值对应的所述图像库中的图像展示给用户。2.根据权利要求1所述的方法,其特征在于,所述通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,包括:通过DeeperCut算法对所述目标图像进行运算,得到4个关键点;依据所述4个关键点将所述目标图像划分为三个区域,所述三个区域分别为人头区域、上半身区域和下半身区域;将所述目标图像输入所述第一训练模型进行训练,得到一个特征集;分别将所述人头区域、所述上半身区域和所述下半身区域输入到所述第二训练模型进行训练,得到三个特征集;将所述一个特征集和所述三个特征集合成所述第一特征集。3.根据权利要求1或2所述的方法,其特征在于,所述对所述输入图像进行预处理,得到目标图像,包括:对所述输入图像进行缩放处理,使得缩放处理后的所述输入图像与图像库中的图像的尺寸大小一样;对缩放处理后的所述输入图像进行图像分割,得到所述目标图像。4.根据权利要求1或2所述的方法,其特征在于,所述对所述输入图像进行预处理,得到目标图像,包括:对所述输入图像进行抠图处理,得到行人区域图像;对所述行人区域图像进行缩放处理,得到所述目标图像,缩放处理后的目标图像与图像库中的图像的尺寸大小一样。5.根据权利要求1至4任一项所述的方法,其特征在于,在所述获取输入图像之前,所述方法还包括:获取多个图像集,每一图像集包括同一个行人在不同摄像头的不同状态下的多张图像;对所述多个图像集中每一图像进行特征提取,得到全局图像集和部件图像集;将所述全局图像集输入到所述第一训练模块中进行训练;将所述部件图像集输入到所述第二训练模块中进行训练;将训...
【专利技术属性】
技术研发人员:刘凯,张鹏,陈微,
申请(专利权)人:深圳市华尊科技股份有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。