The embodiment of the present invention discloses a pedestrian recognition method based on Discriminant perception fusion, which includes: determining a pedestrian image feature depth learning model; acquiring M data sources and obtaining M pedestrian image feature depth learning models based on them; acquiring M feature vectors of each training pedestrian image sample and extracting element values of the same dimension of each feature vector to form new features. Vector; input the new feature vectors formed by the same dimension of the training pedestrian image samples into the support vector machine to learn the fusion weight; combine the depth learning model of pedestrian image features with the fusion weight to get the final feature expression of the test pedestrian image samples; search the target image to get the results of pedestrian recognition. The method makes full use of the advantages of convolution neural network, uses different training samples to learn image features from different angles, and finally uses the fusion weight of learning to fuse multiple features to represent pedestrian images, thus further improving the correct search rate of pedestrian recognition.
【技术实现步骤摘要】
一种基于判别感知融合的行人再识别方法
本专利技术属于模式识别、人工智能领域,具体涉及一种基于判别感知融合的行人再识别方法。
技术介绍
为了给人们营造一个安全的生活环境,保障人们的生命、财产安全。近年来,学校、公园、医院、商场等一系列的公共场合都安装了监控摄像头,构成了大规模分布式的监控系统。这能够对犯罪嫌疑人进行跟踪与定位,在维护社会稳定中发挥了重要作用。然而,依靠人工监察效率低下,利用计算机快速、准确解决此问题已成为必然的趋势。因此,行人再识别(PersonRe-Identification)技术引起了研究者广泛的关注。然而,由于真实场景中行人姿势、摄像机拍摄角度、光照等因素都在不停的变化,因此行人再识别这项技术面临着巨大的挑战。由于深度学习算法可以提取判别性的特征,它在行人再识别领域引起了广泛的关注。Li等人首先将深度学习算法应用到行人再识别领域,使得行人再识别性能得到显著的提升。Cheng等人利用三元组损失函数减小行人类内变化,增加行人类间变化,进一步提高了行人再识别正确识别率。为了充分利用行人图像的标签信息,Zheng等人对行人图像实施了分类任务,在全连接层后提取行人特征,运用交叉熵损失函数对行人特征进行优化,进一步提高了行人再识别的性能。之后,为了在深度模型中学习判别性特征,一些研究者提出了特征融合策略。Sun等人将卷积激活图水平地划分为六部分来学习行人图像的局部特征,然后将局部特征串联起来表示行人。Zhang等人提出融合卷积神经网络(IntegrationConvolutionalNeuralNetwork,ICNN),该网络能同时学习行人图像 ...
【技术保护点】
1.一种基于判别感知融合的行人再识别方法,其特征在于,所述方法包括以下步骤:步骤S1,利用预训练深度学习模型确定行人图像特征深度学习模型;步骤S2,在训练集中随机选取P个行人图像样本作为一个新的数据源,重复该随机选取过程M次,得到M个新的数据源;步骤S3,对得到的M个数据源进行预处理,并利用预处理后的M个数据源,分别独立地训练所述行人图像特征深度学习模型,得到M个训练好的行人图像特征深度学习模型;步骤S4,基于训练好的M个行人图像特征深度学习模型,获取每个训练行人图像样本的M个特征向量,然后提取每个特征向量相同维度的元素值形成相应训练行人图像样本的新的特征向量;步骤S5,将所述训练行人图像样本同一维度形成的新特征向量输入到支持向量机中,学习得到融合权重,用以对于M个特征向量进行融合得到最终特征表达;步骤S6,将测试集中的测试行人图像样本输入至训练好的M个行人图像特征深度学习模型中提取得到所述测试行人图像样本的M个特征向量,结合所述融合权重得到所述测试行人图像样本的最终特征表达;步骤S7,基于获得的测试行人图像样本的最终特征表达,在测试集中搜索与所述最终特征表达相匹配的行人图像作为目标图 ...
【技术特征摘要】
1.一种基于判别感知融合的行人再识别方法,其特征在于,所述方法包括以下步骤:步骤S1,利用预训练深度学习模型确定行人图像特征深度学习模型;步骤S2,在训练集中随机选取P个行人图像样本作为一个新的数据源,重复该随机选取过程M次,得到M个新的数据源;步骤S3,对得到的M个数据源进行预处理,并利用预处理后的M个数据源,分别独立地训练所述行人图像特征深度学习模型,得到M个训练好的行人图像特征深度学习模型;步骤S4,基于训练好的M个行人图像特征深度学习模型,获取每个训练行人图像样本的M个特征向量,然后提取每个特征向量相同维度的元素值形成相应训练行人图像样本的新的特征向量;步骤S5,将所述训练行人图像样本同一维度形成的新特征向量输入到支持向量机中,学习得到融合权重,用以对于M个特征向量进行融合得到最终特征表达;步骤S6,将测试集中的测试行人图像样本输入至训练好的M个行人图像特征深度学习模型中提取得到所述测试行人图像样本的M个特征向量,结合所述融合权重得到所述测试行人图像样本的最终特征表达;步骤S7,基于获得的测试行人图像样本的最终特征表达,在测试集中搜索与所述最终特征表达相匹配的行人图像作为目标图像,得到行人识别结果。2.根据权利要求1所述的方法,其特征在于,所述步骤S1包括以下步骤:步骤S11,获取预训练的深度学习模型,并对其使用的模型结构进行参数初始化,得到初始深度模型结构;步骤S12,在所述初始深度模型结构后增加卷积层和全连接层;步骤S13,对于全连接层的输出进行类别预测,得到图像特征属于k类别的类别预测概率p(k);步骤S14,基于所述类别预测概率,利用交叉熵损失函数对于所述图像特征进行学习优化,得到所述行人图像特征深度学习模型。3.根据权利要求2所述的方法,其特征在于,所述预测概率p(k)表示为:其中,ak表示全连接层中输出的第k个神经元的激活值,aj表示全连接层中输出的第j个神经元的激活值,C为训练集中行人的总类别数目。4.根据权利要求2所述的方法,其特征在于,所述交叉熵损失函数L表示为:其中,如果获取的图像特征属于k类,那么q(k)=1,否则q(k)=0,C为训练集中行...
【专利技术属性】
技术研发人员:张重,司统振,刘爽,
申请(专利权)人:天津师范大学,
类型:发明
国别省市:天津,12
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。