行人重识别方法及系统技术方案

本发明专利技术提供了一种行人重识别方法及系统，该行人重识别方法包括：通过行人分析网络对输入图像进行行人分析，提取输入图像中的行人的细粒度特征；将细粒度特征与行人重识别网络模型的卷积层输出的输入图像的行人特征融合；根据融合后的行人特征，识别输入图像中的行人。通过将行人分析网络提取的细粒度特征与行人重识别网络提取的行人特征结合，可以提高行人特征的辨识度，提高行人识别的准确率。

Pedestrian recognition method and system

【技术实现步骤摘要】
行人重识别方法及系统
本专利技术涉及行人重识别
，具体涉及一种行人重识别方法及系统。
技术介绍
行人重识别(PersonRe-identification，ReID)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，即给定一个监控行人图像，检索跨设备下的该行人图像。现有的行人重识别技术之中，都是将行人分割成不同的块，针对每一个块提取特征，然后进行分类，得到最终的结果，这样可能引入背景信息，并没有达到精确的提取人体的特征。
技术实现思路
有鉴于此，本专利技术实施例提供了一种行人重识别方法及系统，能够精确提取图像中的行人特征，增加行人特征的辨识度，提高行人识别的准确率。根据本专利技术实施例的第一方面，提供一种行人重识别方法，包括：通过行人分析网络对输入图像进行行人分析，提取输入图像中的行人的细粒度特征；将细粒度特征与行人重识别网络模型的卷积层输出的输入图像的行人特征融合；根据融合后的行人特征，识别输入图像中的行人。在本专利技术的一个实施例中，行人重识别网络模型包括多粒度网络模型，多粒度网络模型包括五层卷积神经网络、最大池化层、卷积层和全本文档来自技高网...

【技术保护点】
1.一种行人重识别方法，其特征在于，包括：通过行人分析网络对输入图像进行行人分析，提取所述输入图像中的行人的细粒度特征；将所述细粒度特征与行人重识别网络模型的卷积层输出的所述输入图像的行人特征融合；根据融合后的行人特征，识别所述输入图像中的行人。

【技术特征摘要】
1.一种行人重识别方法，其特征在于，包括：通过行人分析网络对输入图像进行行人分析，提取所述输入图像中的行人的细粒度特征；将所述细粒度特征与行人重识别网络模型的卷积层输出的所述输入图像的行人特征融合；根据融合后的行人特征，识别所述输入图像中的行人。2.如权利要求1所述的行人重识别方法，其特征在于，所述行人重识别网络模型包括多粒度网络模型，所述多粒度网络模型包括五层卷积神经网络、最大池化层、所述卷积层和全连接层，其中，所述五层卷积神经网络的第四层和第五层被划分为三个分支：全局分支、上下身分支和上中下身分支，其中，所述通过行人分析网络对输入图像进行行人分析，提取所述输入图像中的行人的细粒度特征，包括：通过所述行人分析网络将所述输入图像分割成上下身区域和上中下身区域；分别提取所述上下身区域中每个区域的第一细粒度特征，以及所述上中下身区域中每个区域的第二细粒度特征，其中，所述将所述细粒度特征与行人重识别网络模型的卷积层输出的所述输入图像中的行人特征融合，包括：利用所述全连接层，将所述上下身区域中每个区域的所述第一细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上下身分支中对应分支的第一局部特征融合；以及利用所述全连接层，将所述上中下身区域中每个区域的所述第二细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上中下身分支中对应分支的第二局部特征融合，其中，所述根据融合后的行人特征，识别所述输入图像中的行人，包括：将所述三个分支中每个分支的输出特征进行合并，根据合并后的行人特征，识别输入图像中的行人，其中，所述合并后的行人特征包括所述融合后的行人特征。3.如权利要求2所述的行人重识别方法，其特征在于，所述卷积层包括1×1卷积层，所述多粒度网络模型的所述最大池化层输出的2048维行人特征通过所述1×1卷积层降为256维，其中，所述利用所述全连接层，将所述上下身区域中每个区域的所述第一细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上下身分支中对应分支的第一局部特征融合，包括：通过所述1×1卷积层使所述第一细粒度特征降为256维；将256维的所述第一细粒度特征与256维的第一局部特征加权融合，得到融...

【专利技术属性】
技术研发人员：张韵东，任丽云，刘小涛，
申请(专利权)人：北京中星微电子有限公司，
类型：发明
国别省市：北京,11