一种基于视频的烟雾场景下人的再识别方法、系统及终端技术方案

本发明专利技术属于人物识别技术领域，公开了一种基于视频的烟雾场景下人的再识别方法、系统及终端，构建对称非局部编解码K估计网络模型对视频进行去雾处理；构建判别网络模型，并基于构建的判别网络模型估计输入的视频是正常视频还是去雾子网络生成的无雾视频；构建非局部双注意人物重识别子网络模型，对人物进行重识别。本发明专利技术能够解视频中人物再识别有雾导致再识别困难的问题。本发明专利技术能够良好的在有雾视频中完成人物重识别。本发明专利技术整个流程是端到端的设计，能够更简单的被使用。本发明专利技术是一个基于视频的烟雾场景下人的再识别技术，能够完成端到端的判别，并且能够良好的完成人物重识别。

【技术实现步骤摘要】
一种基于视频的烟雾场景下人的再识别方法、系统及终端
本专利技术属于人物识别
，尤其涉及一种基于视频的烟雾场景下人的再识别方法、系统及终端。
技术介绍
目前，基于视频的人员再识别许多安全关键应用的关键任务，如自动视频监视和取证。基于视频的人像识别的任务是从大量人像中匹配人像，近年来得到了广泛的研究，但是这项任务仍然具有挑战性，因为拍摄的人视频质量低，姿势变化，相机的视角和杂乱的背景。空气中的霾、雾、烟和其他小颗粒物的存在会使大气中的光散射，从而大大降低了人的图像或视频的可见度。这些模糊人失去了对比度和色彩逼真度。人们还可以观察到，在这些雾霾的人像框中，很多对人的重新身份很重要的细节，比如衣服、鞋子的纹理信息，也会丢失。此外，由于每个帧中的许多细节都被雾模糊，因此在多个连续帧中存在的局部短期快速变化信息变得难以捕捉，这是基于视频的人的身份识别的一个关键特征。有雾视频中重要信息的丢失，导致有雾视频提供的特征信息与正常人视频之间存在较大差距。这种特征信息的严重不对称性进一步加剧了将正常人视频(probe)与有雾视频进行匹配时的身份识别困难本文档来自技高网...

【技术保护点】
1.一种基于视频的烟雾场景下人的再识别方法，其特征在于，所述基于视频的烟雾场景下人的再识别方法包括：/n构建对称非局部编解码K估计网络模型对视频进行去雾处理；/n构建判别网络模型，并基于构建的判别网络模型估计输入的视频是正常视频还是去雾子网络生成的无雾视频；/n构建非局部双注意人物重识别子网络模型，对人物进行重识别。/n

【技术特征摘要】
1.一种基于视频的烟雾场景下人的再识别方法，其特征在于，所述基于视频的烟雾场景下人的再识别方法包括：
构建对称非局部编解码K估计网络模型对视频进行去雾处理；
构建判别网络模型，并基于构建的判别网络模型估计输入的视频是正常视频还是去雾子网络生成的无雾视频；
构建非局部双注意人物重识别子网络模型，对人物进行重识别。


2.如权利要求1所述基于视频的烟雾场景下人的再识别方法，其特征在于，所述构建对称非局部编解码K估计网络模型对视频进行去雾处理包括：
(1)建立非局部残差块；将建立的非局部残差块作为编码器和解码器，建立编码结构和解码结构；
(2)建立RNN层学习每个有雾视频的相邻帧中包含的时间一致性信息；
(3)对整个对称非局部编解码K估计网络结构进行连接：通过编码器的非局部残差块和镜像解码器非局部残差块建立一个残差连接，进行整个对称非局部编解码K估计网络结构连接。


3.如权利要求2所述基于视频的烟雾场景下人的再识别方法，其特征在于，步骤(1)中，所述非局部残差块由典型的残差单元，一个上下采样层和一个非局部块组成；
步骤(2)中，所述建立RNN层学习每个有雾视频的相邻帧中包含的时间一致性信息包括：
对于编码器的输出其中i表示第i个行人，h表示输入雾化视频，he表示编码器输出结果；特征映射首先使用完全连接的层FCE被重塑并投影到一组特征向量中:然后通过求解公式其中来学习中存在的全局长期时间一致性信息；时间步骤t的输出是当前时间步骤t的信息和上一时间步骤的记忆的线性组合；最后，使用完全连接层FCE的一个镜像FCD将每个投影成的相同形状大小。


4.如权利要求1所述基于视频的烟雾场景下人的再识别方法，其特征在于，所述判别网络模型包括：
所述判别网络模型由三个步长为2的卷积层组成，每个卷积层后接一个批规范化层和一个带泄露修正线性单元；将上述特征将应用到全连接层和sigmoid函数层；同时采用二元交叉熵函数作为判别子网络的损失，定义如下：






其中，H表示去雾子网，D表示鉴别器网；h(xi，t)表示有雾视频的第t帧第i个行人对应的判别器网络的输出，T表示视频中包含的帧的数目；且yi，t＝[0,1]是xi,t的标签，yi,t＝0表示输入xi,t是无雾帧，yi,t＝1表示输入xi,t是正常帧。


5.如权利要求1所述基于视频的烟雾场景下人的再识别方法，其特征在于，构建非局部双注意人物重识别子网络模型，对人物进行重识别包括：
1)建立三维运动信息捕捉；
2)建立中级特征学习，将几个非局部剩余块堆叠起来，每个块后面跟着一个下采样层，形成中间层特征提取器；在中层特征抽取器的最后，应用一个完全连接的层和一个脱落层将空间特征映射到一个特征向量中；其中，对于每个帧xi,t，中级特征提取器的输入是3D运动信息捕获模块生成的特征映射，输出是特征向量di,t；
3)建立长期依赖性学习：应用RNN层提取每个特征向量集di＝d(i,1)…d(i,T)，其中i表示第i个行人，T表示视频的长度；
4)建立自我和协作注意模块；建立协作注意模块；
5)对于每对视频特征向量制定暹罗网络训练目标函数。


6.如权利要求5所述基于视频的烟雾场景下人的再识别方法，其特征在于，步骤3)中，所述应用RNN层提取每个特征向量集包括：
RNN层通过以下操作...

【专利技术属性】
技术研发人员：荆晓远，程立，姚永芳，孔晓辉，王许辉，黄鹤，
申请(专利权)人：广东石油化工学院，
类型：发明
国别省市：广东;44