【技术实现步骤摘要】
一种基于类中心自适应的重点人员搜索系统跨域识别方法
本专利技术涉及一种基于类中心自适应的重点人员搜索系统跨域识别方法，属于机器学习领域。
技术介绍
人工智能正深刻地影响着各行各业的飞速发展，人工智能经过近70年的发展积累了浩如烟海的知识和成果，得到了广泛的应用。在互联网、大数据及超级计算机的发展之下，AI技术的发展也进入了具有深度学习，跨界融合，人机协同等特性的新阶段。其中计算机视觉是人工智能领域中发展最为迅速、应用最为广泛的一个技术方向。行人重识别也称为行人再识别，是指利用计算机视觉技术在给定一个监控行人图像后检索跨设备下的该行人图像的技术，也被视为图像检索的一个子问题。行人重识别可以弥补目前固定的摄像头的视觉局限，并可与行人检测、行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。近几年随着深度学习的发展，深度学习技术在行人重识别任务上得到了广泛的应用。当前，很多基于深度学习的方法已经把同源行人重识别的性能提升到了非常高的水平。但是，一旦将这些深度学习模型放到一个新的非同源的数据集上进行测试时性...
【技术保护点】
1.一种基于类中心自适应的重点人员搜索系统跨域识别方法，其特征在于，包括训练和测试两个阶段：/n所述训练阶段实现如下：/n步骤一：新数据收集与数据预处理/n在行人监控设备运行的过程中，数据收集模块不断收集新的来自不同摄像头采集的行人视频数据，其中，行人视频数据按采集场景不同分别存储，同一个场景采集的行人视频数据存储在一个独立的数据库中；对于同一个场景的行人视频数据，在新数据的数量达到阈值后，则进入后续步骤；/n步骤二：行人检测/n输入待检测的行人视频数据，对于行人视频数据中的每帧图像，利用基于区域提案网络实现的实时目标检测模型进行行人检测，判定每帧图像中行人所在位置，得到行...
【技术特征摘要】
1.一种基于类中心自适应的重点人员搜索系统跨域识别方法，其特征在于，包括训练和测试两个阶段：
所述训练阶段实现如下：
步骤一：新数据收集与数据预处理
在行人监控设备运行的过程中，数据收集模块不断收集新的来自不同摄像头采集的行人视频数据，其中，行人视频数据按采集场景不同分别存储，同一个场景采集的行人视频数据存储在一个独立的数据库中；对于同一个场景的行人视频数据，在新数据的数量达到阈值后，则进入后续步骤；
步骤二：行人检测
输入待检测的行人视频数据，对于行人视频数据中的每帧图像，利用基于区域提案网络实现的实时目标检测模型进行行人检测，判定每帧图像中行人所在位置，得到行人检测框；
步骤三：行人跟踪
使用卷积神经网络提取每帧图像的行人检测框内的行人图像的特征作为表观特征，在每帧图像之间利用行人检测框内行人图像的表观特征，进行前后帧行人检测框的匹配，实现对连续视频帧中同一个行人的跟踪，根据行人检测框的位置，将匹配后的行人图像裁出，最终得到输入行人视频数据中出现的每个行人的一段或多段连续视频帧构成的行人图像簇；
步骤四：行人图像簇关键帧提取
使用关键帧提取算法对每个行人图像簇进行关键帧提取，得到行人图像簇中的关键帧，构成新的无冗余的行人图像簇；
其中在提取关键帧时，先使用卷积神经网络对行人图像簇提取图像特征，再根据图像特征计算相邻视频帧之间的距离，将距离大于阈值的视频帧标记为关键帧；
步骤五：行人图像聚类
使用卷积神经网络对步骤四得到的行人图像簇提取特征，通过计算特征之间的余弦距离得到距离矩阵，对距离矩阵采用具有噪声的基于密度的空间聚类算法进行聚类，得到N类，假设用于聚类的行人图像簇中共有n张图像，则N的取值范围是1到n；
其中在聚类时，首先设定属于一个类的最少样本数量m和类内样本之间的最小距离e，然后对距离矩阵中每一个数据按最小距离e来搜索簇，对于距离矩阵中的某个样本c，如果以c为中心e为半径的邻域内包含的样本数多于m个，则创建一个以c为核心对象的簇；然后，将存在与该簇内任意一个样本的距离小于e的样本加入该簇，并不断迭代此过程，直到每一个样本找到自己的簇或不属于任何簇为止；
步骤六：基于类中心自适应策略训练行人重识别模型
使用卷积神经网络来构建行人重识别网络框架，并使用类中心投影转导层来代替通常的用于有监督分类的全连接层，类中心投影转导层由全连接层改进而来，该层的投影矩阵对有标...
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。