一种基于深度学习的行人重识别方法和装置制造方法及图纸

本发明专利技术提供了一种基于深度学习的行人重识别方法和装置，其中，该方法包括：分别从第一视频流和第二视频流中获取目标行人图像和参考行人图像，第一视频流和第二视频流为不同角度的摄像头在预设区域内摄取的视频；利用预先训练好的深度学习网络模型，提取目标行人图像的图像特征作为第一图像特征，以及提取参考行人图像的图像特征作为第二图像特征；计算第一图像特征与第二图像特征的特征相似度；若特征相似度符合预设要求，则确定目标行人图像中的目标行人和参考行人图像中的参考行人为同一个行人，其采用深度学习技术分别学习出目标行人图像和参考行人图像的隐含特征，克服了传统的行人重识别的方法采用成对行人图像存在的耦合问题，灵活度较好。

A method and device for pedestrian recognition based on depth learning

The present invention provides a method and apparatus for identifying a heavy, deep learning based on the pedestrian, the method includes: respectively obtain the target image and the reference image from the pedestrian pedestrian first video stream and video stream in second, the first video stream and video stream for second different angles of the camera in the preset area video captured by; pre trained deep learning network model, image feature extraction of image as the first target pedestrian image features, and extract the reference image features as second pedestrian image feature; feature similarity based image feature and image feature of the first second; if the similarity accords with the preset requirements, determine the target image in the pedestrian pedestrian target and reference pedestrians in images for the same reference pedestrian pedestrian, the deep learning technology learning target pedestrian The implicit features of images and reference pedestrian images overcome the coupling problem of pedestrian images in traditional pedestrian recognition methods, and the dexterity is better.

【技术实现步骤摘要】
一种基于深度学习的行人重识别方法和装置
本专利技术涉及模式识别
，具体而言，涉及一种基于深度学习的行人重识别方法和装置。
技术介绍
行人重识别，即是指在照射区域无重叠的多摄像头画面下自动匹配同一行人对象的技术，用以快速准确地发现行人对象在多摄像头下的活动画面和轨迹。虽然行人重识别技术在视频控制、智能交通、多媒体检索等领域有着广泛的应用前景，但是由于行人重识别中的图片来源于不同的摄像头，而不同摄像头所处的角度、光照等环境的影响，同一个行人的不同图片中，外貌特征会有一定程度的变化；相反，由于行人姿势及摄像头角度的变化，在不同摄像头中，不同行人的外貌特征可能比同一个人的外貌特征更相似，因此，行人重识别依旧存在着巨大的应用挑战。为了解决上述问题，相关技术提出了一种行人重识别的方法，该方法首先将来自于两个不同的摄像头的一对行人图像输入深度模型的网络结构，然后通过上述网络结构对上述一对图片进行特征提取和相似性比较，最终得到的是同一个人或者是不同人的似然概率。专利技术人在研究中发现，现有技术中的行人重识别的方法基于成对的行人图像才能够通过深度模型进行提取特征和行人识别，由于上述成对的行人图像不能解耦合，导致方法的灵活度较差。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于深度学习的行人重识别方法和装置，采用深度学习技术自动学习出单张行人图像的隐含特征，克服了传统的行人重识别的方法采用成对行人图像的耦合问题，灵活度较好。第一方面，本专利技术实施例提供了一种基于深度学习的行人重识别方法，所述方法包括：分别从第一视频流和第二视频流中获取目标行人图像和参考行人图像，所述第一视频流和所述第二视频流为不同角度的摄像头在预设区域内摄取的视频；利用预先训练好的深度学习网络模型，提取所述目标行人图像的图像特征作为第一图像特征，以及提取所述参考行人图像的图像特征作为第二图像特征；计算所述第一图像特征与所述第二图像特征的特征相似度；若所述特征相似度符合预设要求，则确定所述目标行人图像中的目标行人和所述参考行人图像中的参考行人为同一个行人。结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，所述分别从第一视频流和第二视频流中获取目标行人图像和参考行人图像，包括：对所述第一视频流进行行人检测，得到对应的目标行人图像；对所述第二视频流进行行人检测，得到对应的参考行人图像。结合第一方面或第一方面的第一种可能的实施方式，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，所述深度学习网络模型通过以下步骤获得：基于标签标记的监督学习方法，建立包含行人重识别范围内行人图像的标记图片；其中，同一行人的不同角度的行人图像使用同一个标签标记；利用深度卷积神经网络对所述标记图片进行深度学习，得到对应于所述标记图片的所述行人图像的特征信息；利用随机梯度下降方法对所述特征信息进行训练，得到对应于所述行人图像的深度学习网络模型。结合第一方面，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，所述确定所述目标行人图像中的目标行人和所述参考行人图像中的参考行人为同一个行人，包括：查找所述特征相似度高于预设相似度阈值的参考行人图像；将特征相似度高于预设相似度阈值的参考行人图像所对应的参考行人确认为所述目标行人图像中的目标行人。结合第一方面，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，所述确定所述目标行人图像中的目标行人和所述参考行人图像中的参考行人为同一个行人，包括：按照所述特征相似度由高至低的排序顺序对所述参考行人图像进行排名，以生成相似度排名；在所述相似度排名中查找排名超过预定名次的参考行人图像；将排名超过预定名次的参考行人图像所对应的参考行人确认为所述目标行人图像中的目标行人。第二方面，本专利技术实施例还提供了一种基于深度学习的行人重识别装置，所述装置包括：获取模块，用于分别从第一视频流和第二视频流中获取目标行人图像和参考行人图像，所述第一视频流和所述第二视频流为不同角度的摄像头在预设区域内摄取的视频；提取模块，用于利用预先训练好的深度学习网络模型，提取所述目标行人图像的图像特征作为第一图像特征，以及提取所述参考行人图像的图像特征作为第二图像特征；计算模块，用于计算所述第一图像特征与所述第二图像特征的特征相似度；确定模块，用于在所述特征相似度符合预设要求时，确定所述目标行人图像中的目标行人和所述参考行人图像中的参考行人为同一个行人。结合第二方面，本专利技术实施例提供了第二方面的第一种可能的实施方式，其中，所述获取模块包括：第一获取单元，用于对所述第一视频流进行行人检测，得到对应的目标行人图像；第二获取单元，用于对所述第二视频流进行行人检测，得到对应的参考行人图像。结合第二方面或第二方面的第一种可能的实施方式，本专利技术实施例提供了第二方面的第二种可能的实施方式，其中，还包括生成模块；所述生成模块包括：建立单元，用于基于标签标记的监督学习方法，建立包含行人重识别范围内行人图像的标记图片；其中，同一行人的不同角度的行人图像使用同一个标签标记；学习单元，用于利用深度卷积神经网络对所述标记图片进行深度学习，得到对应于所述标记图片的所述行人图像的特征信息；生成单元，用于利用随机梯度下降方法对所述特征信息进行训练，得到对应于所述行人图像的深度学习网络模型。结合第二方面，本专利技术实施例提供了第二方面的第三种可能的实施方式，其中，所述确定模块包括：第一查找单元，用于查找所述特征相似度高于预设相似度阈值的参考行人图像；第一确认单元，用于将特征相似度高于预设相似度阈值的参考行人图像所对应的参考行人确认为所述目标行人图像中的目标行人。结合第二方面，本专利技术实施例提供了第二方面的第四种可能的实施方式，其中，所述确定模块还包括：排序单元，用于按照所述特征相似度由高至低的排序顺序对所述参考行人图像进行排名，以生成相似度排名；第二查找单元，用于在所述相似度排名中查找排名超过预定名次的参考行人图像；第二确认单元，用于将排名超过预定名次的参考行人图像所对应的参考行人确认为所述目标行人图像中的目标行人。本专利技术实施例提供的基于深度学习的行人重识别方法和装置，与现有技术中的行人重识别的方法由于基于成对的行人图像才能够通过深度模型进行提取特征和行人识别，导致灵活度较差相比，其首先通过不同角度的摄像头在预设区域内摄取的第一视频流中获取目标行人图像，以及从第二视频流中获取参考行人图像，接着利用深度学习网络模型分别从上述目标行人图像和参考行人图像中提取对应的第一图像特征和第二图像特征，然后计算第一图像特征和第二图像特征的特征相似度，并在特征相似度符合预设要求时，确定目标行人图像中的目标行人和参考行人图像中的参考行人为同一个行人，其采用深度学习技术分别学习出上述目标行人图像和参考行人图像的隐含特征，克服了传统的行人重识别的方法采用成对行人图像存在的耦合问题，灵活度较好。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的本文档来自技高网...

【技术保护点】
一种基于深度学习的行人重识别方法，其特征在于，包括：分别从第一视频流和第二视频流中获取目标行人图像和参考行人图像，所述第一视频流和所述第二视频流为不同角度的摄像头在预设区域内摄取的视频；利用预先训练好的深度学习网络模型，提取所述目标行人图像的图像特征作为第一图像特征，以及提取所述参考行人图像的图像特征作为第二图像特征；计算所述第一图像特征与所述第二图像特征的特征相似度；若所述特征相似度符合预设要求，则确定所述目标行人图像中的目标行人和所述参考行人图像中的参考行人为同一个行人。

【技术特征摘要】
1.一种基于深度学习的行人重识别方法，其特征在于，包括：分别从第一视频流和第二视频流中获取目标行人图像和参考行人图像，所述第一视频流和所述第二视频流为不同角度的摄像头在预设区域内摄取的视频；利用预先训练好的深度学习网络模型，提取所述目标行人图像的图像特征作为第一图像特征，以及提取所述参考行人图像的图像特征作为第二图像特征；计算所述第一图像特征与所述第二图像特征的特征相似度；若所述特征相似度符合预设要求，则确定所述目标行人图像中的目标行人和所述参考行人图像中的参考行人为同一个行人。2.根据权利要求1所述的方法，其特征在于，所述分别从第一视频流和第二视频流中获取目标行人图像和参考行人图像，包括：对所述第一视频流进行行人检测，得到对应的目标行人图像；对所述第二视频流进行行人检测，得到对应的参考行人图像。3.根据权利要求1或2所述的方法，其特征在于，所述深度学习网络模型通过以下步骤获得：基于标签标记的监督学习方法，建立包含行人重识别范围内行人图像的标记图片；其中，同一行人的不同角度的行人图像使用同一个标签标记；利用深度卷积神经网络对所述标记图片进行深度学习，得到对应于所述标记图片的所述行人图像的特征信息；利用随机梯度下降方法对所述特征信息进行训练，得到对应于所述行人图像的深度学习网络模型。4.根据权利要求1所述的方法，其特征在于，所述确定所述目标行人图像中的目标行人和所述参考行人图像中的参考行人为同一个行人，包括：查找所述特征相似度高于预设相似度阈值的参考行人图像；将特征相似度高于预设相似度阈值的参考行人图像所对应的参考行人确认为所述目标行人图像中的目标行人。5.根据权利要求1所述的方法，其特征在于，所述确定所述目标行人图像中的目标行人和所述参考行人图像中的参考行人为同一个行人，包括：按照所述特征相似度由高至低的排序顺序对所述参考行人图像进行排名，以生成相似度排名；在所述相似度排名中查找排名超过预定名次的参考行人图像；将排名超过预定名次的参考行人图像所对应的参考行人确认为所述目标行人图像中的目标行人。6.一种基于深...

【专利技术属性】
技术研发人员：赵瑞，徐静，
申请(专利权)人：深圳市深网视界科技有限公司，
类型：发明
国别省市：广东,44