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 ...
【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 ...
【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
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。