一种面向多区域大规模特征的匹配方法组成比例

本发明专利技术公开了一种面向多区域大规模特征的匹配方法，用以解决当前现有对大规模特征匹配精度低、匹配时间长、匹配效率低问题。该方法根据预先训练好的特征提取模型提取行人经过摄像头的图像特征，其中所述图像特征包括头部特征、面部特征、肢体特征、姿态特征、外观衣服特征。首先，对提取的特征按照出入口和非出入口区域进行分类。其次，采用分区域的类间聚类和类内聚类方法，对提取到的特征进行聚类，得到对应的聚类结果。最后，根据所述聚类结果，对多个区域进行关联连接，以确定所有区域特征都已经过聚类匹配。在经过局部区域类内聚类和类间聚类后能够达到和全局区域特征聚类相同的效果，从而节省了聚类的时间，提高了聚类的效率。

【技术实现步骤摘要】
一种面向多区域大规模特征的匹配方法
本专利技术属于计算机视觉图像处理
，尤其涉及一种面向多区域大规模特征的匹配方法。
技术介绍
近年来，随着计算机视觉技术的不断发展，智慧商场、智慧零售逐步地走入了普通大众的视野，并且被越来越多的商场顾客以及商场运营管理人员所接受。这些新兴的技术不但可以丰富人们的购物形式与出行体验，而且也可以提供更全面、更准确、更详细的运营数据来帮助商场运营管理人员提升整个商场的运营效率。为了对运营数据有进一步全面的了解，往往需要通过行人重识别技术对不同摄像设备之下的行人特征做匹配操作，从而进一步地对所有的行人特征做详细的聚类分析。聚类分析能够按照既定规则对所有的特征进行分类，把同一个人在所有摄像设备下的特征归关联在一起，从而得到某一个行人在商场中的轨迹信息。在实际的应用中，当聚类的子区域有多个，如A、B、C、D、E分别表示5个店铺，想要知道行人在这5个店铺之间的流动动向，则需要即10次匹配运算。随着店铺数量的增加，匹配运算的次数也随之大规模的增加，要计算100个店铺也就是区域之间的匹配则需要计算4950次运算。这将导致匹配计算时间变长、匹配的效率降低、对计算机的性能也要求更高，严重限制了在工业界生产环境使用。
技术实现思路
为了克服上述现有技术的不足，本专利技术的目的在于提供一种面向多区域大规模特征的匹配方法，用以解决现有匹配次数过多、计算时间过长的问题。本专利技术采用如下技术方案来实现的：一种面向多区域大规模特征的匹配方法，包括以下步骤：步骤1：根据预先训练好的特征提取模型，对经过摄像头的行人进行图像特征提取，提取的特征包括头部特征、面部特征、肢体特征、外观衣着特征；步骤2：对提取的特征按照摄像头的地理位置分为出入口区域、非出入口区域；步骤3：对出入口区域进行类内聚类、非出入口多个区域进行类内聚类分别得到类内聚类结果；步骤4：对出入口区域和非出入口区域进行类间聚类，得到类间聚类结果；步骤5：根据类内聚类结果和类间聚类结果，对多区域的特征匹配进行关联，从而达到全局区域的聚类结果。本专利技术进一步的改进在于，步骤1中，所述特征提取模型通过以下步骤获得：步骤101：根据预存的标注文件，获取训练数据中相应的目标，将其作为特征提取的样本，其中，所述标注文件包括预设的目标行人特征、以及特征所属的类别；步骤102：按照预设比例，将检测样本分为训练集和验证集，对检测模型进行训练，获得所述训练好的检测模型；步骤103：将检测模型应用于目标行人，提取目标行人的特征，其中包括头部特征信息、面部特征信息、肢体特征信息、外观衣着颜色特征信息、姿态特征信息、步伐特征信息、外观肤色特征信息。本专利技术进一步的改进在于，步骤2中，所述出入口区域是指商场、零售店、超市等大型场所的进出口，将行人特征按照进入和离开的方向进行分类，获得进入方向的特征集合、离开方向的特征集合。本专利技术进一步的改进在于，步骤3中，采用类内聚类方法对出入口和非出入口分别进行聚类，得到出入口和非出入口聚类结果；具体包括：301)确定各行人图像特征对应的特征数据点的向量维度；302)基于将每个特征点均作为一个类别的情况下，将距离最近的两个类别划分为一类，循环迭代该步骤，直至聚类完成，得到聚类结果；其中，当所述两个类别均各自包括一个特征数据点时，根据欧式距离公式或者余弦距离公式，计算两个类别之间的距离。本专利技术进一步的改进在于，将距离最近的两个类划分为同一个类，循环迭代所有的类，直至聚类完成，得到聚类的结果，具体过程如下：根据预设阈值和两个类别之间的距离，确定是否对两个类别进行聚类；若所述两个类别之间预设的阈值大于两个类别之间的距离，则对两个类别进行聚类。本专利技术进一步的改进在于，步骤4中，所述对出入口区域和非出入口区域进行类间聚类，得到聚类结果，具体包括如下步骤：步骤401：计算各行人图像特征在出入口区域的特征矩阵和在非出入口区域的特征矩阵；步骤402：在把每个特征点均作为一个类别的情况下，将距离最近的两个类别划分为一类，循环迭代该步骤，直至聚类完成，得到聚类结果；其中，当所述两个类别均各自包括一个特征数据点时，根据欧式距离公式或者余弦距离公式，计算两个类别之间的距离；步骤403：根据预设阈值和两个类别之间的距离，确定是否对两个类别进行聚类；若所述两个类别之间预设的阈值大于两个类别之间的距离，则对两个类别进行聚类。本专利技术进一步的改进在于，步骤4中，将出入口区域的聚类结果、出入口和非出入口之间的聚类结果进行关联，得到出入口区域和非出入口所有区域的聚类结果，从而达到全局区域聚类相同的效果。本专利技术至少具有如下有益的技术效果：1、本专利技术提出的面向多区域大规模特征的匹配方法引入了一个出入口区域，通过该出入口区域和其它各个子区域聚类匹配，并将聚类结果进行连接，从而达到和两两区域聚类相同的目的。2、本专利技术提出的面向多区域大规模特征的匹配方法能够减少匹配运算次数和计算时间，特别是当特征数量达到百万、千万级别时，特征的匹配速度相比现有的两两匹配有明显的提高。附图说明图1为本专利技术的整体框架流程图；图2为本专利技术的详细的特征匹配流程图。具体实施方式为使本申请的创新性技术方案和优点相对更加清楚，如下将结合申请具体实施例及对应的附图对本申请涉及的技术方案进行更加清楚、完整地描述。同时本文所描述的实施例仅仅是本申请的一部分实施例，而不是全部实施例。图2为本申请实施例提供的面向多区域大规模特征匹配的详细流程图，具体包括以下步骤：步骤1：训练检测模型，根据训练好的检测模型，提取行人的图像特征。在本申请实例中，用于提取行人图像特征的服务器在采用检测样本训练的提取特征模型对摄像头下的行人进行图像特征提取。而训练样本可以通过商场摄像头捕获的视频获得。检测训练模型的生成过程如下：首先，用于提取行人特征的服务器通过摄像头获取视频，然后将视频中的行人根据预存的标注文件进行标注，所谓标注是指将具体行人目标从获取的视频中抠取出来，其中标注文件是预先设置好的，表示行人的具体特征。服务器通过可执行代码程序对标注文件进行读取，并根据读取到的信息对训练行人数据中的具体目标进行获取，并按照识别的情况进行标签设置。其次，用于提取特征的服务器可根据提前设置的比例，将训练检测数据即获取到的视频样本分为训练集和验证集，对检测训练模型进行训练。通常采用7:3的比例，即将检测训练样本中的7/10作为训练集，对检测模型进行训练，并在训练完成后使用剩下的3/10作为验证集，验证检测模型的准确性。在检测的同时服务器可以根据检测的结果对检测模型中的参数进行调整，用于提高检测模型的准确率。最后，在反复执行训练集和验证集的基础上，不断的调整检测模型的参数，其中包括学习速率、优化方法、权重、速率更新方法等深度学习的重要关键参数，用于提升检测模型网络的收敛速度、缩短模型的训练时间，本文档来自技高网...

【技术保护点】
1.一种面向多区域大规模特征的匹配方法，其特征在于，包括以下步骤：/n步骤1：根据预先训练好的特征提取模型，对经过摄像头的行人进行图像特征提取，提取的特征包括头部特征、面部特征、肢体特征、外观衣着特征；/n步骤2：对提取的特征按照摄像头的地理位置分为出入口区域、非出入口区域；/n步骤3：对出入口区域进行类内聚类、非出入口多个区域进行类内聚类分别得到类内聚类结果；/n步骤4：对出入口区域和非出入口区域进行类间聚类，得到类间聚类结果；/n步骤5：根据类内聚类结果和类间聚类结果，对多区域的特征匹配进行关联，从而达到全局区域的聚类结果。/n

【技术特征摘要】
1.一种面向多区域大规模特征的匹配方法，其特征在于，包括以下步骤：
步骤1：根据预先训练好的特征提取模型，对经过摄像头的行人进行图像特征提取，提取的特征包括头部特征、面部特征、肢体特征、外观衣着特征；
步骤2：对提取的特征按照摄像头的地理位置分为出入口区域、非出入口区域；
步骤3：对出入口区域进行类内聚类、非出入口多个区域进行类内聚类分别得到类内聚类结果；
步骤4：对出入口区域和非出入口区域进行类间聚类，得到类间聚类结果；
步骤5：根据类内聚类结果和类间聚类结果，对多区域的特征匹配进行关联，从而达到全局区域的聚类结果。


2.根据权利要求1所述的一种面向多区域大规模特征的匹配方法，其特征在于，步骤1中，所述特征提取模型通过以下步骤获得：
步骤101：根据预存的标注文件，获取训练数据中相应的目标，将其作为特征提取的样本，其中，所述标注文件包括预设的目标行人特征、以及特征所属的类别；
步骤102：按照预设比例，将检测样本分为训练集和验证集，对检测模型进行训练，获得所述训练好的检测模型；
步骤103：将检测模型应用于目标行人，提取目标行人的特征，其中包括头部特征信息、面部特征信息、肢体特征信息、外观衣着颜色特征信息、姿态特征信息、步伐特征信息、外观肤色特征信息。


3.根据权利要求1所述的一种面向多区域大规模特征的匹配方法，其特征在于，步骤2中，所述出入口区域是指商场、零售店、超市等大型场所的进出口，将行人特征按照进入和离开的方向进行分类，获得进入方向的特征集合、离开方向的特征集合。


4.根据权利要求3所述的一种面向多区域大规模特征的匹配方法，其特征在于，步骤3中，采用类内聚类方法对出入口和非出入口分别进行聚类，得到出入口和非出入口聚类...

【专利技术属性】
技术研发人员：黄文丽，解伟荣，程金平，高子昂，胡鹏，杨省，
申请(专利权)人：浙江凌图科技有限公司，
类型：发明
国别省市：浙江;33