一种基于局部嵌入深度特征的行人再识别方法技术

本发明专利技术实施例公开了一种基于局部嵌入深度特征的行人再识别方法，该方法包括：构建验证网络和识别网络；训练验证网络，提取训练图像的局部特征图得到其整体求和特征图；利用整体求和特征图对于识别网络进行训练；利用验证网络获得待识别图像和测试图像的整体求和特征图并将其作为识别网络的输入，在识别网络的全连接层提取待识别图像和测试图像的特征向量；通过计算待识别图像与测试图像特征向量之间的距离得到待识别图像的识别结果。本发明专利技术利用验证网络将局部特征映射到同一空间，使得相似的行人图像距离更近，非相似的行人图像距离更远，并利用识别网络学习具有完备结构信息的以及更强判别性的特征，从而提高行人再识别匹配的正确率。

A method of pedestrian re recognition based on local embedding depth feature

The embodiment of the invention discloses a pedestrian re-recognition method based on local embedded depth feature, which includes: constructing verification network and recognition network; training verification network; extracting local feature map of training image to obtain its global summation feature map; training recognition network with global summation feature map; The whole sum feature map of the image to be recognized and the image to be tested is obtained by the verification network and used as the input of the recognition network. The feature vectors of the image to be recognized and the image to be tested are extracted at the full connection layer of the recognition network. The recognition of the image to be recognized is obtained by calculating the distance between the feature vectors of the image to be recognized and the image to be tested. Result. The invention maps local features into the same space by using a verification network to make similar pedestrian images closer and non-similar pedestrian images farther, and learns features with complete structural information and stronger discrimination by using a recognition network, thereby improving the accuracy of pedestrian recognition and matching.

【技术实现步骤摘要】
一种基于局部嵌入深度特征的行人再识别方法
本专利技术属于计算机视觉、人工智能
，具体涉及一种基于局部嵌入深度特征的行人再识别方法。
技术介绍
行人再识别(Re-identification)是指给定一幅行人图像，在多个摄像机拍摄场景的行人图像库中识别出与此人相同的图像。随着人们对公共安全重视程度的不断加深，视频监控系统被广泛地应用到公共安全场所，通过人工的方式对海量监控图像进行观察和处理变得越来越困难，行人再识别作为一项应用计算机快速匹配行人的技术，能够很大程度地代替人工操作，因此被广泛研究。由于不同摄像设备之间的差异，同时行人外观易受穿着、尺度、遮挡、姿态和视角等因素影响，使得行人再识别成为计算机视觉领域中一个既具有研究价值同时又极具挑战性的热门课题。目前，卷积神经网络广泛应用于行人再识别领域，对于提高行人再识别的准确率至关重要。应用到行人再识别领域的卷积神经网络主要有两种类型，验证网络和识别网络。验证网络将行人再识别看成是二分类问题，Varior等人将验证网络与一些逻辑函数相结合，提取重要的局部信息。Ding等人利用三个预训练模型构建一个验证网络，并提出了可扩展的距离驱动特本文档来自技高网...

【技术保护点】
1.一种基于局部嵌入深度特征的行人再识别方法，其特征在于，该方法包括以下步骤：步骤S1，构建验证网络和识别网络；步骤S2，训练所述验证网络并利用所述验证网络提取训练图像的局部特征图进而得到其整体求和特征图；步骤S3，利用训练图像的整体求和特征图对于所述识别网络进行训练；步骤S4，利用训练得到的验证网络获得待识别图像和测试图像的整体求和特征图并将其作为识别网络的输入，在识别网络的全连接层提取所述待识别图像和测试图像的特征向量；步骤S5，通过计算待识别图像与测试图像特征向量之间的距离得到待识别图像的识别结果。

【技术特征摘要】
1.一种基于局部嵌入深度特征的行人再识别方法，其特征在于，该方法包括以下步骤：步骤S1，构建验证网络和识别网络；步骤S2，训练所述验证网络并利用所述验证网络提取训练图像的局部特征图进而得到其整体求和特征图；步骤S3，利用训练图像的整体求和特征图对于所述识别网络进行训练；步骤S4，利用训练得到的验证网络获得待识别图像和测试图像的整体求和特征图并将其作为识别网络的输入，在识别网络的全连接层提取所述待识别图像和测试图像的特征向量；步骤S5，通过计算待识别图像与测试图像特征向量之间的距离得到待识别图像的识别结果。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，根据分类预测值和分类真实值构建验证网络；步骤S12，根据分类预测值和分类真实值构建识别网络。3.根据权利要求2所述的方法，其特征在于，所述步骤S11包括以下步骤：步骤S111，选择两个相同的第一预训练网络模型进行初始化，并使用连接函数将两个第一预训练网络模型的输出向量f1和f2连接起来得到输出向量f′；步骤S112，将所述输出向量f′输入到第一预训练网络模型最后的全连接层中，得到向量x；步骤S113，将所述向量x输入到柔性最大值函数中得到分类预测值步骤S114，根据分类预测值和已知的分类真实值pi，构建验证网络损失函数，进而得到验证网络。4.根据权利要求2所述的方法，其特征在于，所述步骤S12包括以下步骤：步骤S121，对第二预训练网络模型进行初始化，将所述第二预训练网络模型最后的全连接层的神经元的个数修改为行人图像的类别数目N；步骤S122，将所述第二预训练模型输出的向量f作为第二预训练网络模型最后的全连接层的输入，输出向量y；步骤S123，将所述向量y输入到柔性最大值函数中得到分类预测值步骤S124，根据分类预测值和已知的分类真实值qn，构建识别网络损失函数，进而得到识别网络。5.根据权利要求1所述的方法，其特征在于，所述步骤S2包括以下步骤：步骤S21，获取训练图像集，将训练图像集中的每幅行人图像划分为K个子区域，不同视角下同一行人的两幅训练图像的对应子区域定义为局部相似对，不同视角下不同行人的两幅训...

【专利技术属性】
技术研发人员：张重，黄美艳，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