The invention discloses a method for pedestrian recognition based on Siamese network. The method is: first, we use two identical ResNet 50 convolution neural networks to form a Siamese network, including pre training ResNet 50 network, adjusting ResNet network, forming a Siamese network and improving Siamese network; then preprocessing the training data set, and training the Siamese network with this training data set. Finally, the images are matched to the image pairs in the training data set, and the pedestrian weight recognition is carried out. The classification results of the two images and the two images are used as discriminant conditions to judge which images in the training data set and the unchecked images belong to the same pedestrian. The invention improves the distinction degree of the image depth feature and the accuracy rate of the pedestrians to carry on the heavy recognition, and reduces the query time in the large-scale image centralized query image. One
【技术实现步骤摘要】
基于Siamese网络的用于行人重识别的方法
本专利技术涉及计算机视觉
,特别是一种基于Siamese网络的用于行人重识别的方法。
技术介绍
近年来,随着视频监控系统大量普及,视频监控系统在打击犯罪、维护稳定实践中正发挥着越来越重要的作用,视频侦查已成为公安机关侦查办案的新手段。在视频侦查应用中,针对特定嫌疑目标(尤其是人)的检索是重要需求。目前这一过程主要通过人工完成,耗费大量的人力物力以及时间,影响侦查办案效率。特定目标监控视频检索的核心关键问题——行人重识别,是指判断不同监控摄像头下出现的行人图像是否属于同一行人。随着技术发展和应用需求的增加,这一问题正逐渐发展为学术研究和行业应用的热点。为了在多摄像头画面下准确匹配同一行人,相关学者分别在时空线索、生物特征和外貌视觉特征的基础上开展行人重识别研究。虽然特定应用条件下人脸识别技术等于行人身份识别,然而在实际视频监控环境下,存在监控视频画面的分辨率较差、行人对象尺度较小以及行人对象姿态的随意性等因素,导致人脸、步态等生物特征难以提取。相对于时空线索和生物特征,行人的外貌视觉特征容易提取,并且具有一定的个体辨识力,而且在一定的时空范围内,行人对象往往不会换装。因此,现有研究大多采用行人图像的外貌特征。在现有基于外貌的行人重识别研究中,研究者围绕特征提取及相似性度量发展了许多方法。特征提取的重点在于设计鲁棒可靠的行人图像特征表示模型,即能够区分不同行人,同时能够不受光照和视角变化的影响;相似性度量的重点在于学习符合行人图像特征分布特性的距离函数,从而使同一行人图像特征距离较小,不同行人图像特征距离较大 ...
【技术保护点】
1.一种基于Siamese网络的用于行人重识别的方法,其特征在于,包括以下步骤:
【技术特征摘要】
1.一种基于Siamese网络的用于行人重识别的方法,其特征在于,包括以下步骤:步骤1,预训练ResNet-50网络:将ImageNet数据集作为训练数据集,训练一个ResNet-50网络,使ResNet-50网络具有初始值;步骤2,调整ResNet-50网络:将ResNet-50网络的softmax输出层替换为一个大小为1*1*4096*n的卷积层,在该卷积层后再加上一个softmax层进行归一化操作;步骤3,搭建形成一个Siamese网络:将步骤2所得的ResNet-50网络进行复制,然后将两个ResNet-50网络做并行连接,形成一个Siamese网络;步骤4,完善Siamese网络:将步骤2中的两个1*1*4096*n卷积层数据输入到一个平方层中,平方层后依次加入一个1*1*4096*2的卷积层和一个softmax层,组成一个完整的Siamese网络;步骤5,预处理训练数据集:将训练数据集中的所有图像进行随机剪裁,得到一组尺寸为224*224的训练数据集,将剪裁后得到的训练数据集顺序打乱,从中抽取相同和不同类别的图像,组成新的训练数据集;步骤6,训练Siamese网络:使用步骤5中所得的训练数据集,训练步骤4中的Siamese网络,利用随机梯度下降法求解损失函数,对网络中的参数进行升级优化;步骤7,将待查图像与训练数据集中的图像匹配成图像对:使用训练好的模型进行行人识别,将一幅待查图像作为Siamese网络的一个输入,将训练数据集中的图像作为Siamese网络的另一个输入,与待查图像匹配成图像对,并得到Siamese网络对两图像的判别和分类结果;步骤8:进行行人重识别:将两张图像的分类结果和两图像是否一致作为判别条件,判断训练数据集中哪些图像和待查图像属于同一个行人。2.根据权利要求1所述的基于Siamese网络的用于行人重识别的方法,其特征在于,步骤1所述的预训练ResNet-50网络,采用dropout或BatchNormalization方法对图像进行优化,使R...
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。