行人重识别方法及相关产品技术

本申请提供了行人重识别方法及相关产品，方法包括：通过预设卷积神经网络训练模型对目标图像进行特征提取，得到第一特征集，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，并将第一训练模块和第二训练模块提取的特征融合成一个特征集；确定第一特征集与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；通过多个汉明距离值计算输入图像与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至少一个目标相似概率值对应的图像库中的图像展示给用户。采用本申请可提升行人识别精准率。

Pedestrian Recognition Method and Related Products

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。本申请实施例第二方面提供了一种行人重识别装置，包括:获取单元，用于获取输入图像；处理单元，用于对所述输入图像进行预处理，得到目标图像；提取单元，用于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；以及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；确定单元，用于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；计算单元，用于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；选取单元，用于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；展示单元，用于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。第三方面，本申请实施例提供了一种电子设备，包括：处理器和存储器；以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置成由所述处理器执行，所述程序包括用于如第一方面中所描述的部分或全部步骤的指令。第四方面，本申请实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质用于存储计算机程序，其中，所述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤的指令。第五方面，本申请实施例提供了一种计算机程序产品，其中，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。实施本申请实施例，具有如下有益效果：可以看出，通过本申请实施例所描述的行人重识别方法及相关产品，获取输入图像，对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目标图像进行特征提取，得到第一特征集，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，并将第一训练模块和第二训练模块提取的特征融合成一个特征集，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，第二训练模型基于SoftmaxLoss函数实现，其用于训练局部特征，通过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，确定第一特征集与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，通过多个汉明距离值计算输入图像与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至少一个目标相似概率值对应的图像库中的图像展示给用户，如此，能够提取行人的局部以及全局特征，能够将行人的全局特征以及局部特征均用于识别，提升了行人识别精准率。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1A是本申请实施例提供的一种行人重识别方法的实施例流程示意图；图1B是本申请实施例提供的一种行人重识别方法的特征提取的演示示意图；图1C是本申请实施例提供的一种行人重识别方法的实施例流程示意图；图2是本申请实施例提供的一种行人重识别方法的又一演示示意图；图3A是本申请实施例提供的一种行人重识别装置的实施例结构示意图；图3B是本申请实施例提供的图3A所描述的行人重识别装置的又一结构示意图；图4是本申请实施例提供的一种电子设备的实施例结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施本文档来自技高网...

【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