【技术实现步骤摘要】
一种高准确率的跨模态行人重识别方法
[0001]本专利技术应用深度学习和知识引入实现高准确率的跨模态跨摄像头行人匹配的方法，属于计算机视觉领域。
技术介绍
[0002]随着社会的发展，道路监控系统越来越普及。由于监控摄像机的性能问题，以及监控环境条件的变化，人员识别中的人脸识别技术在跨摄像头行人追踪中并不能够发挥作用，因此行人重识别课题的重要性日益凸显[1]。行人重识别，目的在于在跨摄像头环境下检索筛选相同的人员目标，进而确定相应人员目标的活动轨迹[1]。同时，由于夜间摄像头所拍摄的图像大多是红外图像，与白天所拍摄的RGB图像有所区别，用传统的Re
‑
ID方法难以克服两种模态之间的模态差异，因此提出跨模态Re
‑
ID解决上述问题[3]。
[0003]随着监控设备的大量普及以及大数据时代的到来，行人检索匹配在公共安全领域越来越具有重大意义。然而由于道路监控安装的局限性以及监控设备的性能问题，传统的人脸识别技术在道路监控下并不能够发挥作用[1]。因此，能够适应道路监控任务环境，并且完成...
【技术保护点】
【技术特征摘要】
1.一种高准确率的跨模态行人重识别方法，其特征在于：包括如下步骤：步骤1，从数据集中获取真实的监控环境下的行人视频信息，对整段的行人视频信息进行预处理得到行人图像样本，将视频中的关键行人图像进行截取并标记相应的行人身份信息；步骤2，搭建多尺度结合的双流跨模态深度网络，初始化网络参数，使用步骤1中得到的行人图像样本，行人身份信息作为监督信息，对所述双流跨模态深度网络进行有监督的训练，训练结束后，根据最终的训练效果，对双流跨模态深度网络中的超参数进行微调，并固定网络参数；步骤3，将感兴趣行人目标query作为所述双流跨模态深度网络的输入，双流跨模态深度网络将给出与query目标相似程度较高的行人目标列表，相似性从高到低，操作者根据行人目标列表，找到其中的同身份行人目标，进行行人追踪。2.根据权利要求1所述的高准确率的跨模态行人重识别方法，其特征在于：所述步骤一中，预处理后的行人图像样本包括包含行人身体样貌特征的图像本身、图像样本对应的行人身份信息、以及行人图像样本原本的视频序列信息。3.根据权利要求1所述的高准确率的跨模态行人重识别方法，其特征在于：所述步骤1中，数据集为SYSU
‑
MM01真实数据集。4.根据权利要求1所述的高准确率的跨模态行人重识别方法，其特征在于：所述步骤2中，双流跨模态深度网络使用pytorch模型库中的在ImageNet上进行过预训练的ResNet
‑
50作为骨架网络；双流跨模态深度网络分为local分支和global分支，每个分支都包含双流结构，用以处理两个模态的样本特征。5....
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。