The invention provides a pedestrian recognition method, device, device and storage medium of an adaptive network, which includes: acquiring pedestrian video, extracting pedestrian image in the pedestrian video by using pedestrian detection algorithm, adaptively adjusting the redundant residual network structure to the optimal network structure according to the current scene, and extracting the unmeasured optimal network structure based on the residual network. The feature vectors of the pedestrian image are described, and the cosine similarity of the feature vectors between the pedestrian to be measured and the preset pedestrian is recognized to obtain the result of pedestrian recognition. The invention automatically divides the patch branches in the redundant residual network structure from fine to rough, until matching to the optimal network structure in the current scene, reduces the enormous workload of repeated manual design and experiment in order to obtain the optimal network structure, avoids the misjudgement caused by human factors, and is more suitable for the free switching between multiple scenarios, and facilitates the subsequent scenarios. Scene extension.
【技术实现步骤摘要】
自适应网络的行人重识别方法、装置、设备及存储介质
本专利技术涉及图像处理
,特别是涉及一种自适应网络的行人重识别方法、装置、设备及存储介质。
技术介绍
行人重识别(Personre-identification,RE-ID)也称行人再识别,即,判断不同位置的摄像头在不同时刻拍摄到行人目标是否是同一人,可用于视频监控等方面。传统地,通过提取行人图像的人工设计特征并对提取的人工设计特征进行比对而实现行人重识别,由于待识别的行人图片与原图片拍摄于不同的相机,设备的差异会给成像条件带来误差;不同的场景下的环境不一致,采集的数据也会产生不同的偏差;且光照的改变会使得同一种颜色的表现不同;更重要的是,行人在摄像头下的姿态变化以及遮挡问题,都使得对同一个人的辨别难度相当大。然而,现有的行人重识别过程中,需要结合全局特征与局部特征才能较好地表达行人图像,从当前业界的行人重识别研究情况来看,如果要达到一定的识别率,需要设计gloable分支和一系列细粒度patch分支的网络结构来合理融合行人图像的全局特征和局部特征,由于不同的场景下的环境不一致,采集的数据也会产生不同的偏差;而图像识别算法自身对场景数据的过度依赖,导致不同场景的数据可能需要对细粒度特征的划分方式不同,而依靠人工实验来确定细粒度特征划分不仅工作量大,还很难找无法找到与当前应用场景匹配最合适的网络结构。
技术实现思路
鉴于以上所述现有技术的缺点,本专利技术的目的在于提供一种自适应网络的行人重识别方法、装置、设备及存储介质,用于解决现有技术中的行人重识别无法根据当前场景自适应匹配合适的网络结构问题。为实现上述目 ...
【技术保护点】
1.一种自适应网络的行人重识别方法,其特征在于,所述方法包括:获取行人视频,利用行人检测算法提取所述行人视频中行人图像;根据当前场景自适应调整冗余的残差网络结构至最佳网络结构;利用基于残差网络的所述最佳网络结构提取待测的所述行人图像的特征向量;识别待测行人与预设行人之间的特征向量的余弦相似度得到行人重识别结果。
【技术特征摘要】
1.一种自适应网络的行人重识别方法,其特征在于,所述方法包括:获取行人视频,利用行人检测算法提取所述行人视频中行人图像;根据当前场景自适应调整冗余的残差网络结构至最佳网络结构;利用基于残差网络的所述最佳网络结构提取待测的所述行人图像的特征向量;识别待测行人与预设行人之间的特征向量的余弦相似度得到行人重识别结果。2.根据权利要求1所述的自适应网络的行人重识别方法,其特征在于,所述根据当前场景自适应调整冗余的残差网络结构至最佳网络结构的步骤,包括:所述冗余的残差网络结构包括一个gloable分支与若干个细粒度patch分支,其中,若干个所述细粒度patch分支按其划分方式包括两个细粒度patch分支、以及大于2的多个奇数个细粒度patch分支;根据当前场景自适应调整冗余的残差网络结构中细粒度patch分支的数量,在多个奇数个细粒度patch分支从精到粗递减划分的细粒度patch分支的数量,将所述残差网络结构内每个分支分别接softmax损失函数与triplet损失函数进行训练至收敛;判断每个细粒度分支对应的patch特征权重是否小于预设阈值,如果所述patch特征权重小于预设阈值时,则删除该细粒度分支;如果所述patch特征权重不小于预设阈值时,则保留该细粒度分支;或计算按多个奇数个划分方式对应的细粒度patch分支各自的特征权重,删除特征权重最小的细粒度patch分支对应的划分方式;计算删除该细粒度patch分支后的网络结构的识别率,直到某次删除某个划分方式所对应的细粒度patch分支导致当前的网络结构的识别率小于应用场景识别率需求指标时,则将保留该划分方式所对应的当前的网络结构作为当前场景的最佳网络结构;否则,将剩余的细粒度patch分支与gloable分支形成的网络结构重新训练至收敛,继续删除相应细粒度patch分支,直到匹配到当前场景的最佳网络结构为止。3.根据权利要求1所述的自适应网络的行人重识别方法,其特征在于,所述利用基于残差网络的所述最佳网络结构提取待测的所述行人图像的特征向量的步骤,包括:利用最佳网络结构中gloable分支与细粒度patch分支各自得到gloable特征与细粒度patch特征,融合gloable特征与细粒度patch特征得到待测的所述行人图像的特征向量。4.根据权利要求1所述的自适应网络的行人重识别方法,其特征在于,所述识别待测行人与预设行人之间的特征向量的余弦相似度得到行人重识别结果的步骤,包括:识别待测行人与预设行人之间的特征向量的余弦相似度;当待测行人与预设行人的特征向量余弦相似度达到预设值时,判定两者为同一行人;当待测行人与预设行人的特征向量余弦相似度未达到预设值时,判定两者不为同一行人。5.一种自适应网络的行人重识别装置,其特征在于,所述装置包括:行人检测模块,用于获取行人视频,利用行人检测算法提取所述行人视频中行人图像;自适应网络结构,用于根据当前场景自适应调整冗余的残差网...
【专利技术属性】
技术研发人员:陈文杰,刘鹏程,彭敏,徐华泽,石宇,周祥东,罗代建,程俊,
申请(专利权)人:中国科学院重庆绿色智能技术研究院,
类型:发明
国别省市:重庆,50
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。