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
...
【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
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。