人员重识别方法、装置和存储介质制造方法及图纸

本申请涉及一种人员重识别方法、装置和存储介质，属于监控视频检索技术领域，方法包括：通过检测网络获取目标人员图像的特征图和感兴趣区域的检测框；利用搜索网络提取所述特征图中的全人特征；所述搜索网络根据所述检测框和所述特征图提取所述目标人员图像中的局部特征；根据所述全人特征和所述局部特征，确定所述目标人员图像在预设人员图像库中对应的目标图像。解决了现有技术中对人员进行重识别时，检索准确率较低的问题；达到了可以根据全员特征和局部特征进行搜索，进而极大提升人员搜索的准确率，丰富人员搜索的手段的效果。

【技术实现步骤摘要】
人员重识别方法、装置和存储介质
本专利技术涉及人员重识别方法、装置和存储介质，属于监控视频检索

技术介绍
随着平安城市的广泛建设和各种场所面临监控的普及，视频监控数据量变得越来越大，这给刑侦破案带来了巨大的挑战，如何快速准确地从这些海量数据库提取出目标嫌疑人成为破案的关键。传统人工浏览的视频侦查模式需要耗费大量的人力和时间，容易贻误破案时机。人员搜索技术便于视频侦查员快速、准确地发现嫌疑目标活动画面和轨迹，对公安部门提高破案率、维护人民群众生命财产安全具有重要意义。目前行人检索方法都是根据查询行人对象和所有待测行人对象外貌特征的距离对待测集进行排序。然而实际视频监控环境下，不同摄像头的视角、光照、色差等因素不同，导致同一行人在多摄像头下的外貌特征往往存在显著差异，从而使得检索结果不准确。
技术实现思路
本专利技术的目的在于提供一种可以准确对人员进行重识别的识别方法。为达到上述目的，本专利技术提供如下技术方案：第一方面，提供了一种人员重识别方法，所述方法包括：通过检测网络获取目标人员图像的特征图和感兴趣区域的检测框；利用搜索网络提取所述特征图中的全人特征；所述搜索网络根据所述检测框和所述特征图提取所述目标人员图像中的局部特征；根据所述全人特征和所述局部特征，确定所述目标人员图像在预设人员图像库中对应的目标图像。进一步地，所述搜索网络包括属性网络，所述搜索网络根据所述检测框和所述特征图提取所述目标人员图像中的局部特征，包括：根据所述检测框在所述特征图上做感兴趣区域池化ROIpooling，得到子特征图；将所述子特征图输入所述属性网络，所述属性网络提取所述子特征图中的所述局部特征。进一步地，所述属性网络确定所述子特征图的属性，提取属性分类前的全连接innerproduct层的预设维特征作为所述局部特征，或者根据获得的属性的语义确定所述局部特征。进一步地，所述根据所述全人特征和所述局部特征，确定所述目标人员图像在预设人员图像库中对应的目标图像，包括：根据所述全人特征和所述局部特征，计算所述目标人员图像与预设人员图像库中的图像的相似度；根据相似度排序确定所述目标人员图像在预设人员图像库中对应的目标图像。进一步地，所述检测网络在输出所述特征图时通过反卷积将所述特征图反卷积到与输入所述检测网络的所述目标人员图像相同大小。进一步地，所述检测网络在反卷积时使用特征金字塔网络FPN结构。进一步地，所述搜索网络包括所述人员重识别网络，所述人员重识别网络通过残差网络提取所述特征图中的全人特征。进一步地，所述人员重识别网络在训练过程中以人员标识作为分类标签；所述人员重识别网络根据所述分类标签对所述目标人员图像进行分类，提取分类前的全连接innerproduct层的预设维特征作为所述全人特征。第二方面，提供了一种人员重识别装置，所述装置包括存储器和处理器，所述存储器中存储有至少一条程序指令，所述处理器通过加载并执行所述至少一条程序指令以实现第一方面所述的人员重识别方法。第三方面，提供了一种计算机存储介质，所述计算机存储介质中存储有至少一条程序指令，所述至少一条程序指令被处理器加载并执行以实现第一方面所述的人员重识别方法。本专利技术的有益效果在于：通过检测网络获取目标人员图像的特征图和感兴趣区域的检测框；利用搜索网络提取所述特征图中的全人特征；并且搜索网络根据所述检测框和所述特征图确定所述目标人员图像中的局部特征；进而根据所述全人特征和所述局部特征，确定目标人员图像在预设人员图像库中对应的目标图像；也即通过网络自动可以对目标人员图像进行识别，解决了现有方案中需要人工浏览进而导致准确率较低的问题；利用检测网络与搜索网络结合的网络架构，能够实现同时识别全人特征和局部特征，达到了可以根据全员特征和局部特征进行搜索，进而极大提升人员搜索的准确率，丰富人员搜索的手段的效果。另外，通过检测网络输出特征图和感兴趣区域的检测框，使得感兴趣区域的激活值较大，再输入人员重识别网络时，相当于已经做了对齐的操作，可以有效提升重识别的准确率。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。附图说明图1为本专利技术一个实施例提供的人员重识别方法的方法流程图；图2为本专利技术一个实施例提供的一种可能的目标人员图像及其对应的特征图的示意图；图3为本专利技术一个实施例提供的人员重识别方法所涉及的框图；图4为本专利技术一个实施例提供的人员重识别装置的装置示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。请参考图1，其示出了本申请一个实施例提供的人员重识别方法的方法流程图，如图1所示，所述人员重识别方法包括：步骤101，通过检测网络获取目标人员图像的特征图和感兴趣区域的检测框。具体地，获取目标人员图像，将获取到的目标人员图像作为检测网络的输入，检测网络的输出即为目标人员图像的特征图和目标人员图像中的感兴趣区域的检测框。目标人员图像可以为卡口摄像机、监控录像、现有的人员监控或分析系统等获取到的人员图像，本实施例对其具体来源并不做限定。检测网络可以为改进的mobilenet-retinanet，改进的mobilenet-retinanet的网络模型可以使用mobilenetv2结构，输入的数据data大小为3x256x128(像素)。可选的，检测网络在输出特征图时，通过反卷积将所述特征图反卷积到与所述检测网络的输入相同大小。而由于目标人员图像为人员卡口下的目标图像，因此不同的人员图像的大小尺度变化不大，因此，本实施例中，检测网络可以在反卷积时加入FPN(FeaturePyramidNetworks，特征金字塔网络)结构，只用一层的特征图进行检测即可满足要求，最终得到一个和输入的data层大小一致的64个通道的特征图。通过使用FPN，提高了检测网络的检测率。请参考图2，其示出了一种可能的目标人员图像及其对应的特征图的示意图。另外，感兴趣区域是指目标人员图像中的头肩、上半身、下半身、帽子、眼镜、口罩、Logo、雨伞、包、骑着的非机动车中的一种或者多种等等。通过检测网络即可预测得到感兴趣区域的检测框的位置和类别。容易理解的是，感兴趣区域可以为一个，也可以为多个，并且在有多个感兴趣区域时，得到的感兴趣区域的检测框也可以相应的有多个。可选的，在训练检测网络时，将128*256像素的彩色全人图像和每张彩色全人图像中标定的感兴趣区域的局部区域框作为样本，对改进的mobilenet-retinanet进行训练，在softmaxloss层的损失loss低于预设数值时，得到检测网络。样本的数量为多个，本实施例对检测网络的具体训练方式并不做限定。步本文档来自技高网...

【技术保护点】
1.一种人员重识别方法，其特征在于，所述方法包括：/n通过检测网络获取目标人员图像的特征图和感兴趣区域的检测框；/n利用搜索网络提取所述特征图中的全人特征；/n所述搜索网络根据所述检测框和所述特征图提取所述目标人员图像中的局部特征；/n根据所述全人特征和所述局部特征，确定所述目标人员图像在预设人员图像库中对应的目标图像。/n

【技术特征摘要】
1.一种人员重识别方法，其特征在于，所述方法包括：
通过检测网络获取目标人员图像的特征图和感兴趣区域的检测框；
利用搜索网络提取所述特征图中的全人特征；
所述搜索网络根据所述检测框和所述特征图提取所述目标人员图像中的局部特征；
根据所述全人特征和所述局部特征，确定所述目标人员图像在预设人员图像库中对应的目标图像。


2.根据权利要求1所述的方法，其特征在于，所述搜索网络包括属性网络，所述搜索网络根据所述检测框和所述特征图提取所述目标人员图像中的局部特征，包括：
根据所述检测框在所述特征图上做感兴趣区域池化ROIpooling，得到子特征图；
将所述子特征图输入所述属性网络，所述属性网络提取所述子特征图中的所述局部特征。


3.根据权利要求2所述的方法，其特征在于，所述属性网络提取所述子特征图中的所述局部特征，包括：
所述属性网络确定所述子特征图的属性，提取属性分类前的全连接innerproduct层的预设维特征作为所述局部特征，或者根据获得的属性的语义确定所述局部特征。


4.根据权利要求1所述的方法，其特征在于，所述根据所述全人特征和所述局部特征，确定所述目标人员图像在预设人员图像库中对应的目标图像，包括：
根据所述全人特征和所述局部特征，计算所述目标人员图像与预设人员图像库中的图...

【专利技术属性】
技术研发人员：付马，晋兆龙，肖潇，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：江苏;32