一种姿态驱动的遮挡行人重识别方法技术

本发明专利技术涉及一种姿态驱动的遮挡行人重识别方法，属于计算机领域。本发明专利技术包括：输入待识别图像，经过预处理后调整为标准输入图像；利用行人重识别网络提取输入图像特征，得到全局特征；利用人体姿态估计网络提取输入图像特征，得到人体姿态特征；基于人体姿态特征，分别利用局部可见度预测器模块获取可见度评分，利用局部注意力生成器模块获取注意力掩膜；最后根据可见度评分选取输入图像可见部分的局部特征和图像库中的对应特征计算欧氏距离并按照升序排序，将排序结果作为行人重识别模型的输出。本发明专利技术帮助行人重识别网络定位遮挡区域，降低了相同身份的受遮挡行人与完整行人的特征差异，提高了行人重识别模型的泛化能力。提高了行人重识别模型的泛化能力。提高了行人重识别模型的泛化能力。

【技术实现步骤摘要】
一种姿态驱动的遮挡行人重识别方法


[0001]本专利技术属于计算机领域，涉及一种姿态驱动的遮挡行人重识别方法。

技术介绍

[0002]随着监控摄像头在公共场所的普及，分析监控视频相关研究越来越受到重视。在视频监控中，研究人员关注的核心问题就是行人重识别。行人重识别是属于计算机视觉领域下图像检索任务的子任务。给定一个行人图像，行人重识别方法能够找到出现在其它时间、其它地点的相同行人图像。
[0003]在真实场景下，行人图像的采集来自不同的摄像头。同一行人的图像会受到拍摄角度、行人朝向、光照条件、背景干扰和物体遮挡的影响，存在较大的差异。因此，设计一种能够有效提取有足够判别力的特征的行人重识别方法是非常有必要的。
[0004]现有的主流行人重识别方法都是基于局部特征的方法。其中，PCB、MGN和Pyramid是具有代表性的方法。PCB是最早提出将行人特征按照垂直方向进行等比划分提取局部特征的方法，划分好的多个水平条分别进行平均池化操作得到局部特征，再分别通过多个非共享权重的分类器训练。MGN则是在PCB的基础上考虑了不同的划分粒度，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种姿态驱动的遮挡行人重识别方法，其特征在于：该方法包括以下步骤：S1：输入待识别的图像，经过预处理后调整为标准输入图像；S2：通过卷积神经网络来提取输入图像的特征，作为全局特征；S3：通过人体姿态估计网络来提取输入图像的特征，作为人体姿态特征；S4：基于人体姿态特征，分别通过预训练好的局部可见度预测器模块得到各个局部的可见度评分，通过预训练好的局部注意力生成器模块生成注意力掩膜；S5：将全局特征与所述注意力掩膜输入到局部加权池化模块中，得到局部特征；S6：根据可见度评分选取输入图像可见部分的局部特征和图像库中的对应特征计算距离并按照升序排序，将排序结果作为行人重识别模型的输出。2.根据权利要求1所述的一种姿态驱动的遮挡行人重识别方法，其特征在于：所述卷积神经网络为ResNet残差网络。3.根据权利要求1所述的一种姿态驱动的遮挡行人重识别方法，其特征在于：所述人体姿态估计网络为OpenPose网络。4.根据权利要求1所述的一种姿态驱动的遮挡行人重识别方法，其特征在于：所述局部可见度预测器模块的运作为：将人体姿态特征按照通道进行全局平均池化，得到该特征各通道的全局信息特征；将各通道全局信息特征输入到大小为局部分块数量的全连接层，得到降维后的第一特征；将降维后的第一特征通过批量归一化和Sigmoid激活函数得到各个局部的可见度评分。5.根据权利要求1所述的一种姿态驱动的遮挡行人重识别方法，其特征在于：所述局部注意力生成器模块的运作为：将人体姿态特征进行1
×
1的卷积，将特征降维到局部分块数量的维度，得到降维后的第二特征；将降维后的第二特征通过批量归一化和Sigmoid激活函数得到各个局部区域的注意力掩膜。6.基于权利要求1～5中任一项所述方法的训练方法，其特征在于：包括以下步骤：S11：获取行人重识别数据集，将数据集划分为训练集合测试集，在训练过程中每次随机选择P位行人，每个行人随机挑出K张图像，作为输入图像；S12：通过卷积神经网络来提取输入图像的特征，作为全局特征；S13：通过人体姿态估计网络来提取输入图像的特征，作为人体姿态特征；S14：基于人体姿态特征，分别通过预训练好的局...

【专利技术属性】
技术研发人员：刘歆，刘宏伟，陈波，姜美兰，韩旭，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：