基于“预测-恢复-识别”的低分辨率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“预测‑恢复‑识别”的低分辨率行人重识别方法及系统，包括：将获取到的待识别的低分辨率图片，输入到训练好的深度神经网络模型，进行最优尺度下的细节恢复，得到超分辨率图片；计算所述超分辨率图片特征与高分辨率的搜索库图片特征间的欧氏距离，根据所述欧氏距离的大小进行身份匹配的排序。本发明专利技术深度神经网络模型的预测器，能够根据低分辨率图片的内容自适应地预测一个较优的尺度因子，以达到更好的恢复和识别的效果。

【技术实现步骤摘要】
基于“预测-恢复-识别”的低分辨率行人重识别方法及系统
本专利技术涉及模式识别与机器学习
，尤其涉及一种基于“预测-恢复-识别”的低分辨率行人重识别方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。行人重识别的目标是给定一张某摄像头下的行人问询图片(query)，在另一个摄像头的图片库(gallery)中把同一个行人的图片匹配出来。随着大街小巷的摄像头分布越来越广泛，行人重识别在安防等方面展示出了广阔的应用前景。比如寻找丢失儿童，追踪嫌疑犯等场景，都可以利用行人重识别技术来协助解决。低分辨率行人重识别指的是行人问询图片(query)的分辨率较低，而图片库(gallery)中的图片分辨率较高的情况。以前的很多方法使用超分辨率模块对低分辨率图片进行图片放大和细节恢复。但是他们往往在超分时预设固定的尺度因子，这容易导致细节恢复不充分，或者生成过多噪声等问题，难以保证图片的恢复效果最适合用来识别身份。
技术实现思路
为了解决上述问题，本专利技术提出了一种基于“预本文档来自技高网...

【技术保护点】
1.基于“预测-恢复-识别”的低分辨率行人重识别方法，其特征在于，包括：/n将获取到的待识别的低分辨率图片，输入到训练好的深度神经网络模型，进行最优尺度下的细节恢复，得到超分辨率图片；/n计算所述超分辨率图片特征与高分辨率的搜索库图片特征间的欧氏距离，根据所述欧氏距离的大小进行身份匹配的排序。/n

【技术特征摘要】
1.基于“预测-恢复-识别”的低分辨率行人重识别方法，其特征在于，包括：
将获取到的待识别的低分辨率图片，输入到训练好的深度神经网络模型，进行最优尺度下的细节恢复，得到超分辨率图片；
计算所述超分辨率图片特征与高分辨率的搜索库图片特征间的欧氏距离，根据所述欧氏距离的大小进行身份匹配的排序。


2.如权利要求1所述的基于“预测-恢复-识别”的低分辨率行人重识别方法，其特征在于，所述深度神经网络模型包括：
预测器，用于预测所述低分辨率图片每一个预设尺度分别是最优尺度的概率；
超分辨率模块，用于遍历所述低分辨率图片的N个尺度因子，分别生成对应的N张超分辨率图片；
重识别模块，用于提取图片特征，并计算所述低分辨率图片对应的每张超分辨率图片特征与高分辨率的搜索库图片特征之间的欧氏距离，以衡量两者之间的相似度。


3.如权利要求2所述的基于“预测-恢复-识别”的低分辨率行人重识别方法，其特征在于，对于深度神经网络模型的训练过程包括：
对构建的训练数据集中的图片进行分组，每一组训练数据包括一张低分辨率图片，一张身份标签相同但相机标签不同的高分辨率图片，一张由所述高分辨率图片下采样的合成低分辨率图片；
对于每一组训练数据集，通过深度神经网络模型预测低分辨率图片每一个预设尺度分别是最优尺度的概率，遍历低分辨率图片的N个尺度因子，分别生成对应的N张超分辨率图片；随机挑选合成低分辨率图片的一个尺度因子，生成1张超分辨率图片；
计算上述每一张超分辨率图片特征与高分辨率图片特征之间的欧氏距离，计算结果作为动态软标签，表示每一个尺度因子是最优尺度的评估概率；
构建不同的损失函数，通过最小化不同损失函数的加权和来训练和优化网络参数。


4.如权利要求3所述的基于“预测-恢复-识别”的低分辨率行人重识别方法，其特征在于，所述损失函数包括：分辨率损失函数、身份交叉熵损失函数、身份三元损失函数和预测损失函数；其中，把动态软标签作为预测概率的...

【专利技术属性】
技术研发人员：王亮，黄岩，韩苛，单彩峰，纪文峰，
申请(专利权)人：中科人工智能创新技术研究院青岛有限公司，
类型：发明
国别省市：山东;37