一种基于区域候选网络的旷视行人再识别方法技术

本发明专利技术涉及一种基于区域候选网络的旷视行人再识别方法，包括：构建深度神经网络模型，获取带有行人的图片，将行人图像的部分提取出来，取得所述第一行人图像的整体特征向量H1，提取出第一行人图像中行人的四肢及身体主干部分并分配类别标签，获得行人图像的四肢及主干的特征向量串联形成对应第一行人图像的最终特征向量H2；将所述特征向量重新按人体端正姿态组成第二行人图像，获得所述第二行人图像特征向量H3；基于以上特征向量获得特征矩阵H和数据库中的图像对比获得所需的行人图像。本发明专利技术通过对行人整体图像和身体部位图像的标记分类，有效快速的获取所需的人物图象，提高检测目标和已有图像库中行人的匹配速度。

A Method of Distant Pedestrian Recognition Based on Region Candidate Network

The present invention relates to a pedestrian recognition method based on regional candidate network, which includes: constructing a depth neural network model, obtaining a picture with pedestrians, extracting part of the pedestrian image, obtaining the overall feature vector H1 of the first pedestrian image, extracting the limbs and main body cadres of pedestrians in the first pedestrian image, and assigning class labels to obtain pedestrians. The feature vectors of the limbs and backbone of the image are connected in series to form the final feature vector H2 corresponding to the first pedestrian image; the second pedestrian image is composed of the feature vectors according to the correct posture of the human body, and the feature vector H3 of the second pedestrian image is obtained; the required pedestrian image is obtained by comparing the feature matrix H with the image in the database based on the above feature vectors. By classifying the markers of the whole image of pedestrians and the image of body parts, the invention can effectively and quickly acquire the required image of people, and improve the matching speed of the detection target and the pedestrians in the existing image database.

【技术实现步骤摘要】
一种基于区域候选网络的旷视行人再识别方法
本专利技术涉及一种基于区域候选网络的旷视行人再识别方法，属于模式识别

技术介绍
行人识别是近几年在计算机视觉领域快速发展的一个研究方向，它指的是从不同的照片中识别出我们所需要寻找的单个行人，即判断不同位置的摄像头在不同时间不同角度捕捉到的是否为同一行人。传统的行人再识别是将待检测图片图像直接通过CNN网络提取整体特征，然后再进行行人的重识别，这种方法使用起来在多方面的环境干扰下，识别效果准确率低下，分类困难，给识别工作带来了较大的阻碍。
技术实现思路
本专利技术针对现有技术的不足，提出一种基于区域网络的旷视行人再识别方法。本专利技术解决上述技术问题的技术方案如下：一种基于区域候选网络的旷视行人再识别方法，其特征在于，包括以下步骤：步骤1：构建深度神经网络模型；步骤2：获取带有行人的图片，通过所述深度神经网络模型将所述图片中的行人图像的部分提取出来，获得第一行人图像的整体特征向量H1；步骤3：通过所述深度神经网络模型将所述第一行人图像中的行人四肢及身体主干的部分提取出来，并为所述第一行人图像中的行人四肢及身体主干的部分分配类别标签，获得所述第一行人图像中行人四肢及身体主干的每个部分的特征向量，将所述特征向量串联形成对应图像的最终特征向量H2；步骤4：将所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量重新按照人体的端正姿态组成第二行人图像，获得所述第二行人图像的特征向量H3；步骤5：对所述特征向量H1、所述特征向量H2、所述特征向量H3赋予不同的权重，得到一个特征矩阵H；步骤6：将所述特征矩阵H与数据库中待检测行人图像进行相似度计算；步骤7：若所述数据库中存在相似度大于预设相似度阈值的第三行人图像，则输出所述第三行人图像，否则，将第四行人图像添加到下一个行人分组中，所述第四行人图像为相似度小于预设相似度阈值的待检测行人图像。本专利技术的有益效果是：解决了行人再识别在检测过程中行人姿态差异较大时识别率较低的问题，以及在行人再识别在实际应用中，因为图像库较多而无法进行迅速匹配的问题，提高了不同姿态的行人间的识别率以及检测目标和已有图像库中行人的匹配速度。在上述技术方案的基础上，本专利技术还可以做如下改进。进一步，所述深度神经网络模型包括Fast-CNN行人检测网络、RPN区域候选网络、CNN特征提取网络、训练模型网络以及特征全连接层。采用上述进一步方案的有益效果是：所述深度神经网络模型包括五个部分且每个部分分别在本专利技术步骤中起不同作用。进一步，所述步骤1包括：所述特征全连接层的神经元个数为五个。采用上述进一步方案的有益效果是：所述神经元用于连接所述深度神经网络模型中的五个部分。进一步，所述步骤2包括：从带有行人的图片中选择出目标任务对应的照片，通过所述Fast-CNN行人检测网络将所述图片中的行人图像的部分提取出来获得第一行人图像；通过所述CNN特征提取所述第一行人图像对应的整体特征向量H1。采用上述进一步方案的有益效果是：在步骤2中具体通过所述Fast-CNN行人检测网络对所述图片中的行人图像的部分进行提取；通过所述CNN特征提取网络取得所述第一行人图像的整体特征向量H1。进一步，所述步骤3具体包括：通过所述RPN区域候选网络将所述第一行人图像中行人的四肢以及身体主干的部分提取出来，并为所述第一行人图像中的行人四肢及身体主干的部分分配类别标签；所述CNN特征提取网络获得所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量，在所述特征全连接层将所述分特征向量串联成一个最终向量H2。采用上述进一步方案的有益效果是：在步骤3中具体通过所述RPN区域候选网络将所述第一行人图像中的行人四肢及身体主干的部分提取出来，并对所述第一行人图像中的行人四肢及身体主干的部分分配类别标签；所述CNN特征提取网络获得所述第一行人图像中的行人四肢及身体主干的部分的特征向量，在所述特征全连接层将所述特征向量串联成对应第一行人图像的最终向量H2。根据本专利技术的另一面，提供了一种基于区域候选网络的旷视行人再识别系统，其特征在于，包括神经网络模型构建模块、特征向量H1提取模块、特征向量H2提取模块、特征向量H3提取模块、特征向量权重组合模块、行人图像处理模块；所述深度神经网络模型构建模块，用于构建深度神经网络模型；所述特征向量H1提取模块，用于获得带有行人的图片中第一行人图像的整体特征向量H1；所述特征向量H2提取模块，用于提取所述第一行人图形中行人的四肢和主干部分，并为提取所述第一行人图像中行人的四肢及身体主干的部分分配类别标签，获得所述第一行人图像中行人四肢及身体主干的每个部分的特征向量，将所述特征向量串联成对应第一行人图像的特征向量H2；所述特征向量H3提取模块，用于将所述第一行人图形中的行人四肢及身体主干的每个部分的特征向量重新按照人体的端正姿态组成第二行人图像，获得所述第二行人图像的特征向量H3；所述特征向量权重组合模块，用于对所述特征向量H1、所述特征向量H2、所述特征向量H3赋予不同的权重，得到一个特征矩阵H3；将所述特征矩阵H与数据库中待检测行人图像进行相似度计算；所述行人图像处理模块，用于判断在数据库中是否存在相似度大于所述相似度阈值的第三行人图像，是，则输出所有相似度超过阈值的第三行人图像；否，则将第四行人图像添加到下一个行人分组中。附图说明图1为本专利技术的基于区域候选网络的旷视行人再识别方法的方法流程图；图2为本专利技术的基于区域候选网络的旷视行人再识别方法的系统示意图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。实施列1如图1所示，本专利技术提供一种基于区域候选网络的旷视行人再识别方法，包括以下步骤：步骤1：构建深度神经网络模型；所述深度区域网络模型包括Fast-CNN行人检测网络、RPN区域候选网络、CNN特征提取网络、训练模型网络以及特征全连接层；将所述深度神经网络模型中的所述特征全连接层的神经元个数替换成五个。步骤2：获取带有行人的图片，通过所述深度神经网络模型将所述图片中的行人图像的部分提取出来，获得第一行人图像的整体特征向量H1；从图片中选取出目标人物所在的图片，通过所述Fast-CNN行人检测网络框选出行人的区域；将图片中带有行人的图片输入到所述深度神经网络模型中，先通过所述检测出所述图片中的目标人物，并截取所述目标人物的第一行人图像作为所述训练模型网络的输入；在输入所述训练模型网络前，对上述训练模型网络进行初始化，避免上次训练的结果影响接下来的训练，造成拟合；然后所述CNN特征提取网络取得所述第一行人图像的整体特征向量H1；所述训练模型网络包括第一训练模型网络、第二训练模型网络；所述第一行人图像进入所述第一训练模型网络中训练，输出的向量表示为H1∈Rd*1，其中d表示输出向量的维数。步骤3：通过所述深度神经网络模型将所述第一行人图像中的行人四肢及身体主干的部分提取出来，并为所述第一行人图像中的行人四肢及身体主干部分分配类别标签，获得所述第一行人图像中的行人四肢及身体主干部分的特征向量，将所述特征向量串联形成对应第一行人图像的最终特征向量H2；将步骤2中获得的所述第一行人图像输入到所述RPN区域候选网本文档来自技高网...

【技术保护点】
1.一种基于区域候选网络的旷视行人再识别方法，其特征在于，包括以下步骤：步骤1：构建深度神经网络模型；步骤2：获取带有行人的图片，通过所述深度神经网络模型将所述图片中的行人图像的部分提取出来，获得第一行人图像的整体特征向量H1；步骤3：通过所述深度神经网络模型将所述第一行人图像中的行人四肢及身体主干的部分提取出来，并为所述第一行人图像中的行人四肢及身体主干的部分分配类别标签，根据分配的类别标签获得所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量，将所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量串联形成对应第一行人图像的最终特征向量H2；步骤4：将所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量重新按照人体的端正姿态组成第二行人图像，获得所述第二行人图像的特征向量H3；步骤5：对所述特征向量H1、所述特征向量H2、所述特征向量H3赋予不同的权重，得到一个特征矩阵H；步骤6：将所述特征矩阵H与数据库中待检测行人图像进行相似度计算；步骤7：若所述数据库中存在相似度大于预设相似度阈值的第三行人图像，则输出所述第三行人图像，否则，将第四行人图像添加到下一个行人分组中，所述第四行人图像为相似度小于预设相似度阈值的待检测行人图像。...

【技术特征摘要】
1.一种基于区域候选网络的旷视行人再识别方法，其特征在于，包括以下步骤：步骤1：构建深度神经网络模型；步骤2：获取带有行人的图片，通过所述深度神经网络模型将所述图片中的行人图像的部分提取出来，获得第一行人图像的整体特征向量H1；步骤3：通过所述深度神经网络模型将所述第一行人图像中的行人四肢及身体主干的部分提取出来，并为所述第一行人图像中的行人四肢及身体主干的部分分配类别标签，根据分配的类别标签获得所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量，将所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量串联形成对应第一行人图像的最终特征向量H2；步骤4：将所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量重新按照人体的端正姿态组成第二行人图像，获得所述第二行人图像的特征向量H3；步骤5：对所述特征向量H1、所述特征向量H2、所述特征向量H3赋予不同的权重，得到一个特征矩阵H；步骤6：将所述特征矩阵H与数据库中待检测行人图像进行相似度计算；步骤7：若所述数据库中存在相似度大于预设相似度阈值的第三行人图像，则输出所述第三行人图像，否则，将第四行人图像添加到下一个行人分组中，所述第四行人图像为相似度小于预设相似度阈值的待检测行人图像。2.根据权利要求1所述的基于区域候选网络的旷视行人再识别方法，其特征在于，所述深度神经网络模型包括Fast-CNN行人检测网络、RPN区域候选网络、CNN特征提取网络、训练模型网络以及特征全连接层。3.根据权利要求2所述的基于区域候选网络的旷视行人再识别方法，其特征在于，所述特征全连接层的神经元个数为五个。4.根据权利要求2所述的基于区域候选网络的旷视行人再识别方法，其特征在于，所述步骤2包括：从带有行人的图片中选择出目标任务对应的照片，通过所述Fast-CNN行人检测网络将所述图片中的行人图像的部分提取出来获得第一行人图像；通过所述CNN特征提取网络提取所述第一行人图像对应的整体特征向量H1。5.根据权利要求2所述的基于区域候选网络的旷视行人再识别方法，其特征在于，所述步骤3具体包括：通过所述RPN区域候选网络将所述第一行人图像中行人的四肢以及身体主干的部分提取出来，并为所述第一行人图像中的行人四肢及身体主干的部分分配类别标签；通过所述CNN特征提取网络基于分配的类别标签获得所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量，在所述特征全连接层将所述特征向量串联成对应第一行人图像最终向量H2...

【专利技术属性】
技术研发人员：蔡晓东，韩宇，
申请(专利权)人：桂林远望智能通信科技有限公司，
类型：发明
国别省市：广西,45