行人重识别方法和装置制造方法及图纸

本发明专利技术实施例提供一种行人重识别方法和装置。其中，行人重识别方法包括：将待识别图像输入至训练好的孪生网络模型，输出待识别图像的特征向量；根据待识别图像的特征向量和行人图像库中各样本行人图像的特征向量，获取识别结果；其中，孪生网络模型是基于样本行人图像进行训练后得到的；孪生网络模型包括第一卷积神经网络和第二卷积神经网络；第一卷积神经网络与第二卷积神经网络的结构相同。本发明专利技术实施例提供的行人重识别方法和装置，通过孪生网络模型获取待识别图像的特征向量，能提高特征提取的准确率，进而能提高行人重识别的准确率。

Pedestrian Recognition Method and Device

The embodiment of the present invention provides a pedestrian recognition method and device. Among them, pedestrian recognition methods include: input the image to be recognized into the trained twin network model, output the feature vectors of the image to be recognized; obtain the recognition results according to the feature vectors of the image to be recognized and the feature vectors of each sample pedestrian image in the pedestrian image database; among them, the twin network model is based on the training of the sample pedestrian image; The model includes the first convolution neural network and the second convolution neural network. The structure of the first convolution neural network is the same as that of the second convolution neural network. The pedestrian recognition method and device provided in the embodiment of the present invention can obtain the feature vector of the image to be recognized by twin network model, which can improve the accuracy of feature extraction and pedestrian recognition.

【技术实现步骤摘要】
行人重识别方法和装置
本专利技术实施例涉及计算机
，尤其涉及一种行人重识别方法和装置。
技术介绍
行人重识别(Personre-identification，简称ReID)也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。由于行人图像的分辨率变化大、拍摄角度不统一、光照条件差、环境变化大、行人姿态不断变化等原因，导致同一行人不同图片之间差距大，对行人进行浅层特征的提取很难实现行人重识别的判断。为了提高行人重识别的准确率，传统的行人重识别从特征提取和距离度量学习两个方面进行研究。对于特征提取方面，采用提取局部特征的方式，采用局部关键特征尺度不变特征变换(Scale-InvariantFeatureTransform，简称SIFT)来表示图像，但由于局部关键点经常会落在背景上，导致识别精度的下降；并且，目前大多数方法在提取图像特征的过程中，都忽略了无关背景信息的影响，使得提取好的图像特征带有较多的噪声，影响识别准确率。对于距离度量学习方面，为了解决拍摄角度不一以及行人姿态的变化问题，大多数方法采取了非精确匹配的策略，使用特定的方式将不同图像块之间的特征进行融合，效果颇为显著，但同时也损失了一部分图像内部的空间信息，使得在分辨一些具有相对位置差异的图像上，能力大大降低。综上，现有行人重识别技术的识别准确率较低，亟待提高。
技术实现思路
针对现有技术存在的问题，本专利技术实施例提供一种克服上述问题或者至少部分地解决上述问题的行人重识别方法和装置。第一方面，本专利技术实施例提供一种行人重识别方法，包括：将待识别图像输入至训练好的孪生网络模型，输出所述待识别图像的特征向量；根据所述待识别图像的特征向量和行人图像库中各样本行人图像的特征向量，获取识别结果；其中，所述孪生网络模型是基于样本行人图像进行训练后得到的；所述特征向量由类型特征和图像特征组成；所述孪生网络模型包括第一卷积神经网络和第二卷积神经网络；所述第一卷积神经网络与所述第二卷积神经网络的结构相同；所述第一卷积神经网络包括第一分类学习子网络和第一度量学习子网络；所述第二卷积神经网络包括第二分类学习子网络和第二度量学习子网络；所述第一分类学习子网络和所述第二分类学习子网络，均用于获取所述待识别图像的类型特征；所述第一度量学习子网络和所述第二度量学习子网络，均用于获取所述待识别图像的图像特征。第二方面，本专利技术实施例提供一种行人重识别装置，包括：特征提取模块，用于将待识别图像输入至孪生网络模型，输出所述待识别图像的特征向量；行人识别模块，用于根据所述待识别图像的特征向量和行人图像库中各样本行人图像的特征向量，获取识别结果；其中，所述孪生网络模型是基于样本行人图像进行训练后得到的；所述特征向量由类型特征和图像特征组成；所述孪生网络模型包括第一卷积神经网络和第二卷积神经网络；所述第一卷积神经网络与所述第二卷积神经网络的结构相同；所述第一卷积神经网络包括第一分类学习子网络和第一度量学习子网络；所述第二卷积神经网络包括第二分类学习子网络和第二度量学习子网络；所述第一分类学习子网络和所述第二分类学习子网络，均用于获取所述待识别图像的类型特征；所述第一度量学习子网络和所述第二度量学习子网络，均用于获取所述待识别图像的图像特征。第三方面，本专利技术实施例提供一种电子设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的行人重识别方法。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的行人重识别方法。本专利技术实施例提供的行人重识别方法和装置，通过孪生网络模型获取待识别图像的特征向量，由于孪生网络可以同时学得具有辨别力的卷积神经网络特征和相似性度量，因而能提高特征提取的准确率，进而能提高行人重识别的准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为根据本专利技术实施例提供的行人重识别方法的流程示意图；图2为根据本专利技术实施例提供的行人重识别装置的功能框图；图3为根据本专利技术实施例提供的电子设备的结构框图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为了克服现有技术的上述问题，本专利技术实施例提供一种行人重识别方法和装置，其专利技术构思是，使用孪生网络提取行人图像的特征，通过孪生网络中的两个网络在训练时互相学习，使得获取的行人图像的特征对行人图像的描述性更强，从而提高行人重识别的准确率。图1为根据本专利技术实施例提供的行人重识别方法的流程示意图。如图1所示，一种行人重识别方法包括：步骤S101、将待识别图像输入至训练好的孪生网络模型，输出待识别图像的特征向量；其中，孪生网络模型是基于样本行人图像进行训练后得到的；特征向量由类型特征和图像特征组成；孪生网络模型包括第一卷积神经网络和第二卷积神经网络；第一卷积神经网络与第二卷积神经网络的结构相同；第一卷积神经网络包括第一分类学习子网络和第一度量学习子网络；第二卷积神经网络包括第二分类学习子网络和第二度量学习子网络；第一分类学习子网络和第二分类学习子网络，均用于获取待识别图像的类型特征；第一度量学习子网络和第二度量学习子网络，均用于获取待识别图像的图像特征。为了便于对本专利技术各实施例的理解，先对孪生网络模型的结构进行描述。孪生网络模型包括两个结构相同的卷积神经网络(ConvolutionalNeuralNetworks，简称CNN)：第一卷积神经网络和第二卷积神经网络。结构相同，指卷积神经网络包含的各层以及各层的神经元的个数均相同。由于两个网络的结构相同，因而被称为孪生网络。孪生网络有两个卷积神经网络共同学习，每个卷积神经网络所学习的内容并不相同，能形成互补，通过相互学习、相互监督，在共同学习的过程中更能提高提取特征的准确率，进而提高行人重识别的准确率。第一卷积神经网络包括两个子网络：第一分类学习子网络和第一度量学习子网络。第一分类学习子网络和第一度量学习子网络为并列的子网络，即将行人图像输入第一卷积神经网络的具体步骤包括：将该行人图像分别输入第一分类学习子网络和第一度量学习子网络。将该行人图像输入至第一分类学习子网络，第一分类学习子网络输出该行人图像的类型特征本文档来自技高网...

【技术保护点】
1.一种行人重识别方法，其特征在于，包括：将待识别图像输入至训练好的孪生网络模型，输出所述待识别图像的特征向量；根据所述待识别图像的特征向量和行人图像库中各样本行人图像的特征向量，获取识别结果；其中，所述孪生网络模型是基于样本行人图像进行训练后得到的；所述特征向量由类型特征和图像特征组成；所述孪生网络模型包括第一卷积神经网络和第二卷积神经网络；所述第一卷积神经网络与所述第二卷积神经网络的结构相同；所述第一卷积神经网络包括第一分类学习子网络和第一度量学习子网络；所述第二卷积神经网络包括第二分类学习子网络和第二度量学习子网络；所述第一分类学习子网络和所述第二分类学习子网络，均用于获取所述待识别图像的类型特征；所述第一度量学习子网络和所述第二度量学习子网络，均用于获取所述待识别图像的图像特征。

【技术特征摘要】
1.一种行人重识别方法，其特征在于，包括：将待识别图像输入至训练好的孪生网络模型，输出所述待识别图像的特征向量；根据所述待识别图像的特征向量和行人图像库中各样本行人图像的特征向量，获取识别结果；其中，所述孪生网络模型是基于样本行人图像进行训练后得到的；所述特征向量由类型特征和图像特征组成；所述孪生网络模型包括第一卷积神经网络和第二卷积神经网络；所述第一卷积神经网络与所述第二卷积神经网络的结构相同；所述第一卷积神经网络包括第一分类学习子网络和第一度量学习子网络；所述第二卷积神经网络包括第二分类学习子网络和第二度量学习子网络；所述第一分类学习子网络和所述第二分类学习子网络，均用于获取所述待识别图像的类型特征；所述第一度量学习子网络和所述第二度量学习子网络，均用于获取所述待识别图像的图像特征。2.根据权利要求1所述的行人重识别方法，其特征在于，所述第一度量学习子网络包括第一提取分支和第二提取分支；所述第二度量学习子网络包括第三提取分支和第四提取分支；所述第一提取分支和所述第三提取分支，均用于获取所述待识别图像的全局图像特征；所述第二提取分支和所述第四提取分支，均用于获取所述待识别图像的局部图像特征；相应地，所述第一度量学习子网络，用于根据所述第一提取分支获取的所述待识别图像的全局图像特征和所述第二提取分支获取的所述待识别图像的局部图像特征，获取所述待识别图像的图像特征；所述第二度量学习子网络，用于根据所述第三提取分支获取的所述待识别图像的全局图像特征和所述第四提取分支获取的所述待识别图像的局部图像特征，获取所述待识别图像的图像特征。3.根据权利要求2所述的行人重识别方法，其特征在于，获取所述训练好的孪生网络模型的具体步骤包括：对于每轮训练，根据总损失函数和孪生网络模型的输出，获取孪生网络模型的总损失值；根据每轮训练孪生网络模型的损失值，调整孪生网络模型的参数，直至孪生网络模型的总损失值达到最小值，获得所述训练好的孪生网络模型。4.根据权利要求3所述的行人重识别方法，其特征在于，所述总损失函数是根据预设的权重对第一类损失函数、第二类损失函数、第三类损失函数和第四类损失函数进行加权求和获得的；所述第一类损失函数，包括所述第一分类学习子网络的损失函数和所述第二分类学习子网络的损失函数；所述第二类损失函数，包括所述第一度量学习子网络的损失函数和所述第二度量学习子网...

【专利技术属性】
技术研发人员：让苗，董远，白洪亮，熊风烨，
申请(专利权)人：北京飞搜科技有限公司，
类型：发明
国别省市：北京,11