【技术实现步骤摘要】
一种行人重识别方法及系统
本专利技术涉及图像处理
，特别是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)也称行人再识别，简称为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，被广泛认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。在监控视频中，由于相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品技术。传统的行人特征主要有颜色直方图(ColorHistograms)，局部二值模式(LocalBinaryPatterns)等。对行人特征的处理识别方法主要相似度量学习、卷积神经网络、通过用相似度量学习把行人特征映射度量空间。传统方法中常用的度量学习方法有KISSME(MahalanobisMetricLearning)，局部fisher判别分析(LocalFisherDiscriminantAnalysis)，边际fisher分析(M...
【技术保护点】
1.一种行人重识别方法，其特征在于，包括：/n获取双线性卷积神经网络模型；所述双线性卷积神经网络模型包括由残差网络构成的主干网络和分干网络；/n获取输入行人图像；所述输入行人图像包括待识别的行人图像和待搜索库中的图像；/n利用所述双线性卷积神经网络模型的主干网络，提取所述输入行人图像的中间特征；所述中间特征为所述主干网络中的残差块输出的多层特征图；/n对所述中间特征进行切片操作，得到所述输入行人图像的分块特征；/n利用所述双线性卷积神经网络模型的主干网络对所述分块特征进行卷积和线性整流操作，得到所述输入行人图像的第一行人分块细粒度特征；所述第一行人分块细粒度特征为所述输入行...
【技术特征摘要】
1.一种行人重识别方法，其特征在于，包括：
获取双线性卷积神经网络模型；所述双线性卷积神经网络模型包括由残差网络构成的主干网络和分干网络；
获取输入行人图像；所述输入行人图像包括待识别的行人图像和待搜索库中的图像；
利用所述双线性卷积神经网络模型的主干网络，提取所述输入行人图像的中间特征；所述中间特征为所述主干网络中的残差块输出的多层特征图；
对所述中间特征进行切片操作，得到所述输入行人图像的分块特征；
利用所述双线性卷积神经网络模型的主干网络对所述分块特征进行卷积和线性整流操作，得到所述输入行人图像的第一行人分块细粒度特征；所述第一行人分块细粒度特征为所述输入行人图像中行人整体的特征；
利用所述双线性卷积神经网络模型的分干网络对所述分块特征进行卷积和线性整流操作，得到所述输入行人图像的第二行人分块细粒度特征；所述第二行人分块细粒度特征为所述输入行人图像中行人不同位置的特征；
对所述第一行人分块细粒度特征和所述第二行人分块细粒度特征采用双线性池化层进行融合，得到所述输入行人图像的融合特征；所述融合特征为行人不同位置的融合细粒度特征；
根据所述待识别行人图像的融合特征与所述待搜索库中图像的融合特征之间的距离，确定所述待搜索库中与所述待识别行人图像相同的图像。
2.根据权利要求1所述的一种行人重识别方法，其特征在于，所述对所述第一行人分块细粒度特征和所述第二行人分块细粒度特征采用双线性池化层进行融合，得到所述输入行人图像的融合特征，之后还包括：
对所述融合特征进行自适应池化操作和卷积操作，得到降维后的融合特征；
利用损失函数L＝0.6*L1+0.4*L2对所述降维后的融合特征进行优化；L1为主干网络的损失值，L2为分干网络的损失值。
3.根据权利要求1所述的一种行人重识别方法，其特征在于，所述获取双线性卷积神经网络模型，之前还包括：
使用Pytorch深度学习库对所述双线性卷积神经网络模型进行训练。
4.根据权利要求1所述的一种行人重识别方法，其特征在于，所述获取双线性卷积神经网络模型，之后还包括：
去除所述双线性卷积神经网络模型的逻辑回归层。
5.一种行人重...
【专利技术属性】
技术研发人员：王阳萍，李力，张衍，李宝文，党建武，王松，雍玖，杨景玉，金静，郭治成，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：甘肃;62
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。