基于多层次深度学习网络的行人重识别方法及系统技术方案

本发明专利技术公开了基于多层次深度学习网络的行人重识别方法及系统，获取待进行行人重识别的图像；对待进行行人重识别的图像中的一幅，标记待重识别行人的标签；将已标记的图像和未标记的图像，输入到预训练的多层次深度学习网络中；预训练的多层次深度学习网络通过提取已标记图像的融合特征，提取未标记图像的融合特征；所述融合特征包括行人的局部特征和行人的全局特征；计算已标记图像的融合特征与未标记图像的融合特征之间的距离；按照距离从小到大对未标记图像中的行人进行排序，将排序前M个的未标记图像中的行人进行标记，输出未标记图像中对待重识别行人的标记结果。

Pedestrian recognition method and system based on multi-level deep learning network

【技术实现步骤摘要】
基于多层次深度学习网络的行人重识别方法及系统
本公开涉及行人重识别
，特别是涉及基于多层次深度学习网络的行人重识别方法及系统。
技术介绍
本部分的陈述仅仅是提到了与本公开相关的
技术介绍
，并不必然构成现有技术。行人重新识别(re-ID)是指在不同摄像机拍摄的视频或图像中查询目标人物的方法。行人重识别的过程，是指对于在监控视频中出现的目标人物，当该目标人物在其他监控区域中再次出现时能够将该目标重新识别出来的过程。最近深度学习在提取行人特征或提高距离学习算法的鲁棒性方面取得了很高的成就。在实现本公开的过程中，专利技术人发现现有技术中存在以下技术问题：通过深度学习提取的行人特征可以分为两种类型：全局特征和局部特征。从整张图片中提取的行人特征称为全局特征。全局特征具有不变性，直观性，易于计算。全局特征通常包含了行人图片中最直观的信息(如行人衣服的颜色)，这些全局信息有助于判别不同身份的行人。但是，大多数现有的行人重识别方法在提取全局特征的同时，也会导致图片局部的一些细节部分(如帽子，腰带等)被忽略。例如，如果两个人穿着相同颜本文档来自技高网...

【技术保护点】
1.基于多层次深度学习网络的行人重识别方法，其特征是，包括：/n获取待进行行人重识别的图像；/n对待进行行人重识别的图像中的一幅，标记待重识别行人的标签；/n将已标记的图像和未标记的图像，输入到预训练的多层次深度学习网络中；预训练的多层次深度学习网络通过提取已标记图像的融合特征，提取未标记图像的融合特征；所述融合特征包括行人的局部特征和行人的全局特征；/n计算已标记图像的融合特征与未标记图像的融合特征之间的距离；/n按照距离从小到大对未标记图像中的行人进行排序，将排序前M个的未标记图像中的行人进行标记，输出未标记图像中对待重识别行人的标记结果，M为正整数，M为设定值。/n

【技术特征摘要】
1.基于多层次深度学习网络的行人重识别方法，其特征是，包括：
获取待进行行人重识别的图像；
对待进行行人重识别的图像中的一幅，标记待重识别行人的标签；
将已标记的图像和未标记的图像，输入到预训练的多层次深度学习网络中；预训练的多层次深度学习网络通过提取已标记图像的融合特征，提取未标记图像的融合特征；所述融合特征包括行人的局部特征和行人的全局特征；
计算已标记图像的融合特征与未标记图像的融合特征之间的距离；
按照距离从小到大对未标记图像中的行人进行排序，将排序前M个的未标记图像中的行人进行标记，输出未标记图像中对待重识别行人的标记结果，M为正整数，M为设定值。


2.如权利要求1所述的方法，其特征是，所述预训练的多层次深度学习网络，训练步骤包括：
S31：构建多层次深度学习网络；
S32：构建训练集；所述训练集为Market-1501数据集或CUHK03数据集；
S33：将训练集输入到多层次深度学习网络进行学习，当损失函数达到最小值时，训练结束，输出训练好的多层次深度学习网络。


3.如权利要求2所述的方法，其特征是，所述S33中，将训练集输入到多层次深度学习网络进行学习步骤之前，还包括：利用ImageNet数据集对多层次深度学习网络进行预训练。


4.如权利要求2所述的方法，其特征是，所述S31中，构建的多层次深度学习网络，包括：依次连接的输入层、ResNet50神经网络的Stage1模块、ResNet50神经网络的Stage2模块、ResNet50神经网络的Stage3模块和ResNet50神经网络的Stage4模块；
ResNet50神经网络的Stage1模块的输出端与第一局部特征提取模块连接；
ResNet50神经网络的Stage2模块的输出端与第二局部特征提取模块连接；
ResNet50神经网络的Stage3模块的输出端与第三局部特征提取模块连接；
ResNet50神经网络的Stage4模块的输出端与第四局部特征提取模块连接；
ResNet50神经网络的Stage4模块的输出端还与全局特征提取模块连接；
第一局部特征提取模块的输出端、第二局部特征提取模块的输出端、第三局部特征提取模块的输出端、第四局部特征提取模块的输出端和全局特征提取模块的输出端均与特征融合模块连接，特征融合模块与输出层连接。


5.如权利要求4所述的方法，其特征是，所述S31中，构建的多层次深度学习网络工作原理，包括：
输入层，用于输入待进行行人重识别的图像；
ResNet50神经网络的Stage1模块，用于对待进行行人重识别的图像进行处理获取第一特征图；第一局部特征提取模块，从第一特征图中提取第一局部特征；
ResNet50神经网络的Stage2模块，用于对第一特征图进行处理获取第二特征图；第二局部特征提取模块，从第二特征图中提取第二局部特征；
ResNet50神经网络的Stage3模块，用于对第二特征图进行处理获取第三特征图；第三局部特征提取模块，从第三特征图中提取第三局部特征；
ResNet50...

【专利技术属性】
技术研发人员：吴绍君，高玲，李强，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37