一种基于深度特征的行人重识别方法技术

本发明专利技术公开了一种基于深度特征的行人重识别方法，其包括以下步骤：S1、获取Alexnet模型并修改Alexnet模型的最后一个全连接层；S2、随机初始化最后一个全连接层的参数；S3、采用已知标签进行训练并更新最后一个全连接层的参数，得到用于行人重识别的神经网络；S4、根据所述神经网络分别提取待识别图像和目标图像的深度特征；S5、根据待识别图像深度特征和目标图像深度特征的相似度得到待识别图像与目标图像的相似度，根据待识别图像与目标图像的相似度进行行人重识别。本发明专利技术可以通过现有监控摄像头所拍摄的图像进行高效准确的行人重识别。

【技术实现步骤摘要】
一种基于深度特征的行人重识别方法
本专利技术涉及行人重识别领域，具体涉及一种基于深度特征的行人重识别方法。
技术介绍
随着社会的飞速发展，科学的日益进步，视频监控系统出现在了越来越多的场合。这些监控系统的广泛应用在带来很多便利的同时也带来了一定的问题。因为现在的监控系统大部分是由人工负责看管的，比较枯燥，不能及时做出反应。为了解决这个问题，进一步发挥摄像头的监控作用，需要各种各样的智能监控系统，运用计算机视觉，机器学习，图像处理等知识，自动提取有用的关键信息，快速地精确定位到异常发生之处，并及时做出相应的处理。行人重识别是智能监控系统的一个重要领域，在图像搜索，刑侦等方面有重要的应用。目前行人重识别主要存在以下几个方面的挑战：一是现在的监控摄像机的图像分辨率大部分都很低，这使得一些很成熟的技术比如人脸识别无法应用。而且不同的摄像机有不同的参数配置，即使相同的摄像机由于拍摄角度的不同，拍摄效果也会有所不同。二是由于外界环境不同所引起的光照变化，亮度变化，角度不变化，有时候还存在部分遮挡以及噪声干扰。Alexnet模型(Alexnet神经网络模型)是用于物体识别和分类的神经网络，其输出为本文档来自技高网...

【技术保护点】
1.一种基于深度特征的行人重识别方法，其特征在于：包括以下步骤：S1、获取Alexnet模型并修改Alexnet模型的最后一个全连接层；S2、随机初始化最后一个全连接层的参数；S3、采用已知标签进行训练并更新最后一个全连接层的参数，得到用于行人重识别的神经网络；S4、根据所述神经网络分别提取待识别图像和目标图像的深度特征；S5、根据待识别图像深度特征和目标图像深度特征的相似度得到待识别图像与目标图像的相似度，根据待识别图像与目标图像的相似度进行行人重识别。

【技术特征摘要】
1.一种基于深度特征的行人重识别方法，其特征在于：包括以下步骤：S1、获取Alexnet模型并修改Alexnet模型的最后一个全连接层；S2、随机初始化最后一个全连接层的参数；S3、采用已知标签进行训练并更新最后一个全连接层的参数，得到用于行人重识别的神经网络；S4、根据所述神经网络分别提取待识别图像和目标图像的深度特征；S5、根据待识别图像深度特征和目标图像深度特征的相似度得到待识别图像与目标图像的相似度，根据待识别图像与目标图像的相似度进行行人重识别。2.根据权利要求1所述的基于深度特征的行人重识别方法，其特征在于：所述步骤S1的具体方法包括以下步骤：S1-1、将Alexnet模型的最后一个全连接层中的损失函数设置为softmax函数；S1-2、将神经元个数修改为训练集中行人的总个数；S1-3、将每次执行图片的数量设置为20，测试批次设置为验证集图片总数除以每次执行的数量，测试间隔大于等于训练集图片总数除以每次执行的数量；S1-4、使用step模式调整基础学习速率，将学习速率降低10倍；S1-5、将最大迭代次数设置为50000次，权重衰减项设置为0.0005；S1-6、预设第一个卷积层的图像文件来源和均值文件来源，并将前七层的学习速率降低10倍。3.根据权利要求2所述的基于深度特征的行人重识别方法，其特征在于：所述步骤S3的具体方法包括以下步骤：S3-1、在修改后的Alexnet模型中输入已知标签，通过Alexnet模型中的softmax层得到所述已知标签所属类别的概率，进而得到判断误差；S3-2、将判断误差进行反向传播更新神经元的权重和偏置；S3-3、判断神经网络的验证正确度和验证误差是否达到预置精度，若是则完成对最后一个全连接层参数的更新，得到用于行人重识别...

【专利技术属性】
技术研发人员：邹见效，李方方，周雪，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51