一种遮挡敏感的自监督行人重识别方法及系统技术方案

本公开提供了一种遮挡敏感的自监督行人重识别方法及系统，所述方案包括：构建完整行人图像数据集，对数据集中的图像进行数据增广操作，并将增广操作后的图像进行裁剪，作为训练集；构建卷积神经网络模型，利用训练集对所述卷积神经网络模型进行训练；将待查询的部分行人图像输入训练好的卷积神经网络模型中，获得特征向量及预测裁剪类型；利用所述预测裁剪类型对待匹配的完整行人图像进行裁剪，并输入训练好的卷积神经网络模型中，获得特征向量；通过计算待查询部分行人图像与待匹配完整行人图像特征向量相似度，实现行人的重识别。

【技术实现步骤摘要】
一种遮挡敏感的自监督行人重识别方法及系统
本公开属于计算机视觉
，尤其涉及一种遮挡敏感的自监督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公开相关的
技术介绍
信息，不必然构成在先技术。行人重识别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。在监控场景下，由于相机角度和遮挡物体的存在，一个完整的行人图片获取成为行人重识别任务上的另一个难题。专利技术人发现现有技术中大多是针对完整的行人图片进行行人的重识别，此种方式，在行人遮挡度较高的情况下行人重识别的精度极低，由此产生的不完整的行人图片下的行人重识别问题，由于部分行人与完整行人的对齐存在很大的难点，如何去解决部分行人与完整行人对齐的问题，是现有技术的难点；因此，如何解决给定一个不完整的行人的情况下，实时精确的去检索跨设备下的该行人的完整图像，成为现有技术急需解决的问题。
技术实现思路
本公开为了解决上述问题，提供一种遮挡敏感的自监督行人重识别方法及系统，有效提高了存在遮挡的行人的重识别精度。根据本公开实施例的第一本文档来自技高网...

【技术保护点】
1.一种遮挡敏感的自监督行人重识别方法，其特征在于，包括：/n构建部分行人图像数据集，对数据集中的图像进行数据增广操作，并将增广操作后的图像进行裁剪，作为训练集；/n构建卷积神经网络模型，利用训练集对所述卷积神经网络模型进行训练；/n将待查询的部分行人图像输入训练好的卷积神经网络模型中，获得特征向量及预测裁剪类型；利用所述预测裁剪类型对待匹配的完整行人图像进行裁剪，并输入训练好的卷积神经网络模型中，获得特征向量；/n通过计算待查询部分行人图像与待匹配完整行人图像特征向量相似度，实现行人的重识别。/n

【技术特征摘要】
1.一种遮挡敏感的自监督行人重识别方法，其特征在于，包括：
构建部分行人图像数据集，对数据集中的图像进行数据增广操作，并将增广操作后的图像进行裁剪，作为训练集；
构建卷积神经网络模型，利用训练集对所述卷积神经网络模型进行训练；
将待查询的部分行人图像输入训练好的卷积神经网络模型中，获得特征向量及预测裁剪类型；利用所述预测裁剪类型对待匹配的完整行人图像进行裁剪，并输入训练好的卷积神经网络模型中，获得特征向量；
通过计算待查询部分行人图像与待匹配完整行人图像特征向量相似度，实现行人的重识别。


2.如权利要求1所述的一种遮挡敏感的自监督行人重识别方法，其特征在于，所述卷积神经网络模型包括若干卷积层和全连接层，在预设位置卷积层处设置有注意力模块，所述注意力模块用于帮助网络关注不同类型的部分行人图片中所包含不同的身体部位组合。


3.如权利要求1所述的一种遮挡敏感的自监督行人重识别方法，其特征在于，所述卷积神经网络模型的预设位置卷积层处设置有空间注意力模块，所述空间注意力模块用于使最后得到的特征更具有判别力，为后面的分类提供更有效的特征。


4.如权利要求1所述的一种遮挡敏感的自监督行人重识别方法，其特征在于，所述卷积神经网络包括第一全连接层和第二全连接层，所述第一全连接层输出图像的特征向量，所述第二全连接层的输出裁剪类型。


5.如权利要求1所述的一种遮挡敏感的自监督行人重识别方法，其特征在于，所述裁剪类型的种类包括：第一类，选取图片的上半部分，宽度与原始图片一致，长度为原始图片的一半；第二类，选取图片的上面大部分，宽度与原始图片一致，裁剪之后的图片的长度为原始图片的三分之二；第三类，选取图片的下面部分，宽度与原始图片一致，长度为原始图片长度的三分之二；第四类，选取图片的左侧部分，长度与原始图片一致，宽度为原始图片的一半。


6.如权利要求1所述的一种遮挡敏感的自监督行人重识别方法，其特征在于，所述卷积神经...

【专利技术属性】
技术研发人员：张兆翔，宋纯锋，霍丽娟，王海滨，单彩峰，
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