【技术实现步骤摘要】
一种基于局部特征关系融合的行人重识别方法
[0001]本专利技术涉及视频监控领域，首次将局部特征关系应用于视频监控中的人员检测。
技术介绍
[0002]行人重识别的主要目的是在图像库中自动地寻找符合给定行人身份的行人图片。对于视频监控而言，行人重识别技术能帮助我们在不同的摄像头中自动的寻找对应的行人，而避免监控人员的大量人工操作，可以大大提升效率。采用行人重识别技术，只需要给定特定行人的完整身体部位，即可以在摄像头所拍摄的图像库中寻找该行人的其他照片，因此可以加快寻找速度，减少人工操作。
技术实现思路
[0003]本专利技术的目的是为了解决在视频监控中寻找给定行人时，人工方法费时费力的问题。
[0004]本专利技术采用以下的技术方案实现的：
[0005]一种基于局部特征关系融合的行人重识别方法，其特征在于包含以下步骤：
[0006](1)使用改进版的ResNet
‑
50网络对输入图片提取原始特征图；
[0007](2)使用K
‑
Means聚类...
【技术保护点】
【技术特征摘要】
1.一种基于局部特征关系融合的行人重识别方法，其特征在于，该方法包括以下步骤：步骤一：使用改进版的ResNet
‑
50网络对输入图片提取原始特征图；步骤二：使用K
‑
Means聚类算法来对兴趣点进行空间聚类；步骤三：对聚类后的区域提取局部特征和全局特征；步骤四：使用注意力算法对局部特征进行融合；步骤五：使用多阶段训练方法对整体模型进行训练。2.根据权利要求1所述的基于局部特征关系融合的行人重识别方法，其特征在于，所述的使用改进版的ResNet
‑
50网络对输入图片提取原始特征图包括如下步骤：步骤一：首先对ResNet
‑
50网络进行修改，相较于原始网络，在第3个layer处进行了通道维数的修改，将通道变为1024维，此外在第四个layer后的全连接层也被修改为全局平均池化层。随后将图片送入改进的ResNet变体网络中，并在第三个layer处进行截断，此时网络的输出即是所提取的原始特征图。3.根据权利要求1所述的基于局部特征关系融合的行人重识别方法，其特征在于，所述的使用K
‑
Means聚类算法来对兴趣点进行空间聚类的具体算法是：步骤一：对所取得的原始特征图而言，其大小为32
×
16
×
1024维的张量。由于CNN会使得其特征图关注于最具备辨别能力的区域，而对于行人重识别的分类任务而言，显然身体区域相较于背景会得到更大的权重，因此本方法采纳了特征图中激活度最高的点作为空间上的兴趣点，并在每个通道上都提取之。步骤二：在每个通道上都获得兴趣点后，其构成了在空间上的散点图。为了进一步保证其在身体区域上并减少噪声的影响，本方法在散点图的基础上对其联通域进行了判断，对于离主体区域超过(即大于等于)2像素的孤立点进行排除，以获得优化后的兴趣点空间散点。步骤三：对于未被排除的空间上的点而言，其组成了一个点集。随后我们使用K
‑
Means聚类方法将点集中的兴趣点分为4类，即获得4个点集。对于每个点集，取其空间上的外接矩形，即得到本方法所需的局部区域。每个局部区域均在原始的特征图中做类内保留参数，对于局部区域外的则做清0操作，每个局部区域均得到与原始特征图相同大小的32
×
16
×
1024维的张量。4.根据权利要求1所述的基于局部特征关系融合的行人重识别方法，其特征在于，所述的对聚类后的区域提取局部特征和全局特征具体算法是：步骤一：对上一步得到的局部区域张量提取局部特征，对第一步得到的特征图张量提取全局特征。使用第一步所改变的ResNet
‑
50变体网络中的后半部分，将32
×
16
×
1024维的张量输入该网络，并经过一个残差块和一个全局平均池化层以得到4个1024维的局部特征和1个1024维的全局特征。5.根据权利要求1所述的基于局部特征关系融合的行人重识别方法，其特征在于，所述的使用注意力算法对局部特征进行融合具体算法是：步骤一：在我们设计的局部特征和全局特征融合模块中，我们将全局特征和局部特征直接拼合在一起，其理由如下：我们的局部...
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。