【技术实现步骤摘要】
一种基于深度学习的行人重识别方法
本专利技术属于数字图像处理、计算机视觉领域，特别是涉及一种基于深度学习的行人重识别方法。
技术介绍
随着监控摄像头在各领域的大量应用，传统的人工监控方法无法应对由此产生的海量监控视频。行人重识别是指在多台摄像机监控下进行行人匹配，即给定一个行人目标，在多台不同位置的摄像机不同时刻拍摄的视频中找到该目标。行人重识别技术是智能视频分析、视频监控、人机交互等诸多领域的核心技术，己经成为计算机视觉领域的研究热点。但是因为光照、视角、姿势、遮挡和分辨率等因素的影响，使得行人重识别技术存在很大的挑战性。行人重识别通常主要包含两个步骤，首先设计有效的描述行人的特征，然后通过度量学习算法进行相似性度量。传统的行人重识别方法依靠人工设计的特征，但由于同一个行人在不同图像中可能有很大差异，而不同的行人又可能看起来很相像，使得这些手工特征很难应用到复杂的现实环境中。深度学习目前已经成功地应用在计算机视觉的很多领域，如手写字符识别、目标检测、图像分类、人脸识别等，在行人重识别领域也有一定的研究。行人重识别主要有两个关键部分：首先，特征提取，即提取目标行人...
【技术保护点】
1.一种基于深度学习的行人重识别方法，其特征在于，所述方法包括如下步骤：步骤1：预训练CNN模型：预训练CNN方法，包括行人特征提取和特征度量，行人特征提取采用将全局特征以及局部特征相融合的方法，特征度量采用欧式距离作为相似性度量，在特征向量的距离约束条件下，建立基于度量矩阵的损失函数，采用的损失函数是在传统的Triplet Loss基础上增加约束函数，对CNN模型进行优化；步骤2：测试数据集：将测试数据集图像输入步骤1训练好的CNN模型中，获取图像特征并用欧氏距离计算目标行人图像和参考行人图像之间的相似度，最后将参考行人图像按照相似度大小排列，获得行人重识别结果。
【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，所述方法包括如下步骤：步骤1：预训练CNN模型：预训练CNN方法，包括行人特征提取和特征度量，行人特征提取采用将全局特征以及局部特征相融合的方法，特征度量采用欧式距离作为相似性度量，在特征向量的距离约束条件下，建立基于度量矩阵的损失函数，采用的损失函数是在传统的TripletLoss基础上增加约束函数，对CNN模型进行优化；步骤2：测试数据集：将测试数据集图像输入步骤1训练好的CNN模型中，获取图像特征并用欧氏距离计算目标行人图像和参考行人图像之间的相似度，最后将参考行人图像按照相似度大小排列，获得行人重识别结果。2.根据权利要求1所述的基于深度学习的行人重识别方法，其特征在于，步骤1具体流程包括：步骤1.1，输入图像：输入标记图像，分别从不同的视频流中获取目标行人图像和参考行人图像；将标记图像缩放成一定大小，并输入到深度学习网络，深度学习网络的最终输出为图像的特征映射；步骤1.2，局部特征提取：对于局部特征提取，首先在水平方向对图像特征进行逐行提取，然后再进行1x1的卷积操作，得到的特征代表人体图片的一个水平部分，在局部特征的学习中，通过计算最短路径进行对齐操作；步骤1.3，全局特征提取：对于全局特征的提取，用全局池化在特征图上滑动提取特征，结合步骤1.2中的多个局部特征，最后一张图像的特征用一个全局特征和多个局部特征代替；步骤1.4，特征距离计算：分别计算步骤1.2和1.3提取的特征向量的欧式距离，公式如下：其中d是两个图像上从点x1i到x2i之间的欧氏距离；步骤1.5，损失函数：在特征向量的距离约束条件下，建立基于度量矩阵的损失函数，采用改进的TripletLoss做损失函数，使用欧式距离作为相似性度量。3.根据权利要求2所述的基于深度学习的行人重识别方法，其特征在于，步骤1.2具体包括：F＝{f1，...，fH}和G＝{g1，...，gH}是两个图像的局部特征，每个距离矩阵D的计算公式：其中，di，j是第一个图像的第i个垂直部分和第二个...
【专利技术属性】
技术研发人员：熊炜，熊子婕，童磊，冯川，王娟，曾春艳，刘敏，王传胜，管来福，金靖熠，贾锈闳，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北,42
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。