【技术实现步骤摘要】
一种基于多粒度语义解析的行人重识别方法及存储介质
本专利技术属于图像识别
，更具体地，涉及一种基于多粒度语义解析的行人重识别方法及存储介质。
技术介绍
行人重识别又称为行人再识别或跨境追踪，是近年来计算机视觉领域热门的研究课题和典型应用。在监控系统中，由于摄像机分辨率和拍摄角度的缘故，通常无法得到质量非常高的人脸图片，当人脸识别失效的情况下，行人重识别就成为了一个非常重要的替代技术，因此在公共安防领域具有巨大的潜力。给定一个需要检索的行人的图像，行人重识别的任务是检索出一段时间内由不同摄像机拍摄的所有该行人图像。行人重识别具有非常广阔的应用前景，包括行人检索、行人跟踪、街头事件检测、行人动作行为分析、丢失人口寻找等等，此外，行人重识别还可以与人脸识别相结合，进行行人身份识别。现实场景下影响行人重识别的主要因素有光照、遮挡、姿态、图像分辨率等，目前在该领域针对上述因素已经展开了诸多研究并且获得了较大的突破，现有技术中主要采用了粗粒度和细粒度两个粒度的提取人体的代表区域，来进行行人重识别，细粒度一般代表头部、胸部、...
【技术保护点】
1.一种基于多粒度人体语义解析的行人重识别方法，包括训练步骤和测试步骤，其特征在于，/n所述训练步骤包括：/nS1，利用人体语义解析算法将训练样本中的行人图像解析为多个粒度的语义区域的行人图像，其中至少一个粒度包含不同语义区域之间的过渡信息；/nS2，将每个语义区域的行人图像输入到对应的卷积神经网络中，对每个语义区域进行分类训练，得到每个语义区域的分类器；/nS3，利用所述分类器对相应的语义区域的行人图像进行特征提取，将提取到的特征进行特征融合，得到行人特征描述子；/n所述测试步骤包括：/nS4，利用训练步骤得到的所述分类器和所述行人特征描述子对测试样本的行人图像进行行人重识别。/n
【技术特征摘要】
1.一种基于多粒度人体语义解析的行人重识别方法，包括训练步骤和测试步骤，其特征在于，
所述训练步骤包括：
S1，利用人体语义解析算法将训练样本中的行人图像解析为多个粒度的语义区域的行人图像，其中至少一个粒度包含不同语义区域之间的过渡信息；
S2，将每个语义区域的行人图像输入到对应的卷积神经网络中，对每个语义区域进行分类训练，得到每个语义区域的分类器；
S3，利用所述分类器对相应的语义区域的行人图像进行特征提取，将提取到的特征进行特征融合，得到行人特征描述子；
所述测试步骤包括：
S4，利用训练步骤得到的所述分类器和所述行人特征描述子对测试样本的行人图像进行行人重识别。
2.如权利要求1所述的一种基于多粒度人体语义解析的行人重识别方法，其特征在于，所述S1具体是：利用人体语义解析算法将训练样本中的行人图像解析为四个粒度的九个语义区域的行人图像，粒度G1对应原始的人体图像，粒度G2对应去掉背景的人体图像，粒度G3包含不同语义区域之间的过渡信息，分别对应头部和胸部、胸部和大腿、大腿和小腿三个语义区域图像，粒度G4分别对应头部、胸部、大腿及小腿四个语义区域图像。
3.如权利要求2所述的一种基于多粒度人体语义解析的行人重识别方法，其特征在于，所述S1具体包括步骤：
S11，利用人体语义解析算法将行人图像分割为七个区域，即头部R1、躯干R2、上臂R3、下臂R4、大腿R5、小腿R6以及背景R7共七个区域，该分割的区域由一个与所述行人图像相同大小的掩码图T来表示，掩码图T中每个坐标(x，y)上有一个整数，整数数值为1至7中的一个，用来指示所述行人图像上对应位置被划分隶属的区域；
S12，根据掩码图T，将行人图像按照4个粒度G1、G2、G3、G4,对分割的区域重新进行划分，用9个新的掩码图S1～9来表示，
所述G1粒度为原始的人体图像，其对应的掩码图为S1，即
S1(x,y)＝1,(x,y)∈R1+R2+R3+R4+R5+R6+R7
所述G2粒度为去掉背景的人体图像,其对应的掩码图为S2，即
S2(x,y)＝1,(x,y)∈R1+R2+R3+R4+R5+R6
所述G3粒度对应的掩码图分别为S3,S4,S5，分别对应头部+胸部、胸部+大腿、大腿+小腿三个区域，G3粒度能提取R1和R2之间，R2和R5之间以及R5和R6之间的过渡信息，其中，
所述G4粒度其对应的掩码图分别为S6,S7,S8,S9，分别对应头部、胸部、大腿及小腿四个区域，其中，
S13，将所述行人图像产生9个副本，将第i个副本图像根据步骤S1...
【专利技术属性】
技术研发人员：陈靓影，徐如意，杨宗凯，张玉康，刘乐元，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：湖北;42
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。