【技术实现步骤摘要】
一种基于深度学习的行人重识别方法
本专利技术涉及计算机视觉处理，尤其涉及一种基于深度学习的行人重识别方法，可以应用于视频监控、嫌疑追踪、人员查找等领域。
技术介绍
随着社会的飞速发展，社会公共安全问题越来越受到人们的关注，大型公共场所都已经安装了监控摄像头，随之而来的是海量的视频监控数据，如何利用好这些海量数据，使得监控技术更加高效和智能化成为了一个有待解决的问题，行人重识别就是视频监控中核心的环节，行人重识别是判断在不同监控视频下出现的行人是否属于同一个行人的技术，传统的行人重识别技术主要采用人工提取特征的方法，效率低、准确性也不高。现有技术中已有基于机器学习的行人重识别方法，但存在对行人视觉特征提取不佳导致的重识别准确率低的问题。
技术实现思路
专利技术目的：针对现有技术的不足，本专利技术提出一种基于深度学习的行人重识别方法，能够提高识别的准确度和效率。技术方案：一种基于深度学习的行人重识别方法，包括以下步骤：步骤1：对行人数据集进行预处理，将图片按照行人ID进行分类，对图片进行增强；...
【技术保护点】
1.一种基于深度学习的行人重识别方法，其特征在于，包括以下步骤：/n步骤1：对行人图片数据集进行预处理，将图片按照行人ID进行分类，对图片进行增强；/n步骤2：选用残差网络作为基本的网络结构，调整网络的结构；/n步骤3：使用BatchHard算法构建三元组损失函数；/n步骤4：将增强后的行人图片数据集输入到调整后的网络中进行训练，根据损失函数变化情况，得到训练好的网络模型；/n步骤5：将待识别的行人图片和视频输入训练好的网络模型，输出行人重识别信息。/n
【技术特征摘要】
1.一种基于深度学习的行人重识别方法，其特征在于，包括以下步骤：
步骤1：对行人图片数据集进行预处理，将图片按照行人ID进行分类，对图片进行增强；
步骤2：选用残差网络作为基本的网络结构，调整网络的结构；
步骤3：使用BatchHard算法构建三元组损失函数；
步骤4：将增强后的行人图片数据集输入到调整后的网络中进行训练，根据损失函数变化情况，得到训练好的网络模型；
步骤5：将待识别的行人图片和视频输入训练好的网络模型，输出行人重识别信息。
2.根据权利要求1所述的一种基于深度学习的行人重识别方法，其特征在于，所述残差网络使用带参数的ReLU作为激活函数，其定义为：
其中，i表示不同通道数，ai为激活函数参数，xi为行人图片经过卷积操作后的在通道i上的特征向量。
3.根据权利要求1所述的一种基于深度学习的行人重识别方法，其特征在于，所述步骤2中调整网络结构包括：将残差网络第4层输出的N维特征与第5层输出的2N维特征进行特征拼接，形成3N维特征；去除残差网络池化层之后的部分，增加一层线性层，增加一层归一化层，增加一层ReLU层，输出行人特征向量。
4.根据权利要求3所述的一种基于深度学习的行人重识别方法，其特征在于，所述池...
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。