一种基于全局特征匹配的跨摄像头行人重识别方法技术

本发明专利技术公开了一种基于全局特征匹配的跨摄像头行人重识别方法，针对解决公共场所跨摄像头下，使用人脸跟踪的技术失效的场景。首先针对不同场景构建少量人工标注的样本，进行深度学习网络模型的训练，并在后续匹配中做好标签的生成与统计，以此生成大量的非人工标注样本，经过人为筛选后，利用筛选后的数据集，进行强化训练检测模型，以提高后续的检测准确率。本发明专利技术能够有效的提高重识别项目的落地效率，为重识别检测部署提供了实现步骤，并且极大的减少了标注工作者的工作量。

【技术实现步骤摘要】
一种基于全局特征匹配的跨摄像头行人重识别方法
本专利技术涉及图像识别与计算机视觉
，具体来说，涉及一种基于全局特征匹配的跨摄像头行人重识别方法。
技术介绍
行人重识别reid(Re-identification)作为在计算机视觉中非常关键的任务之一，用于将行人检测，行人追踪技术进行结合，常常应用于跨不同摄像下的智能视频监控，安防等诸多领域。针对公共场所下行人的脸部信息无法被监控摄像机所拍摄的问题，导致人脸进行追踪的技术失效的特殊场景。真实情况下行人的特征又容易受到光线强弱，遮挡，姿态变换，摄像机画质等等差异性的影响，导致跨镜头场景下的模型直接迁移到所需场景中的表现并不良好。故该技术的落地，对数据集的要求极为关键，导致构建数据集成为极为关键重要的一步。而重识别数据集构建极其依赖于人为手工标注，对于大批量的数据常常要耗费数月时间进行标注，而标注时间的周期大大的拖延了工程的落地，且标注的工作将会消耗大量的人力资本。
技术实现思路
本专利技术的目的在于提出一种基于全局特征匹配的跨摄像头行人重识别方法，以克服现有技术中存本文档来自技高网...

【技术保护点】
1.一种基于全局特征匹配的跨摄像头行人重识别方法，其特征在于，所述方法包括以下步骤：/n1)根据目标检测网络所需训练集要求，归档成符合格式的数据集，利用构建的骨干网络进行模型提取图像特征后进行检测训练，根据提取特征后的图像与标注后检测框进行计算，通过Loss值更新，对模型进行链式法则反向传递更新权重参数，得到对目标检测网络训练，最后获得模型M1，Loss公式如下所示：/n

【技术特征摘要】
1.一种基于全局特征匹配的跨摄像头行人重识别方法，其特征在于，所述方法包括以下步骤：
1)根据目标检测网络所需训练集要求，归档成符合格式的数据集，利用构建的骨干网络进行模型提取图像特征后进行检测训练，根据提取特征后的图像与标注后检测框进行计算，通过Loss值更新，对模型进行链式法则反向传递更新权重参数，得到对目标检测网络训练，最后获得模型M1，Loss公式如下所示：



其中，S为设置的检测网络数量；B为检测框的个数；为检测参数，如果检测到目标则设置为1，如果未检测到则设置为0；为未检测参数，未检测到目标则设置参数为1，检测到目标则设置参数为0；bx,分别对应检测框与实际标注框的值，pc为某一类别下的概率，ci为置信度；
2)构建骨干网络，对图像进行提取全局特征后进行GAP全局平均化后如下公式(1-2)所示，将行人图像提取特征后将其GAP之后成为特征向量，



其中，a11,a12...,aHW为C个通道中其中一个通道所具有H·W个参数的值，每个通道根据GAP后形成的特征值c，最后根据C个c构成[C,1]维的矩阵，
该模型通过公式(1-3)计算Loss，再通过链式法则反向传递更新权重参数：
Loss＝max(d(a,p)-d(a,n)+margin,0)(1-3)
其中，根据骨干网络通过公式(1-2)获得训练a行人时产生的特征向量，p为该类行人的特征，n为非该类行人的特征，margin为设定预设值，最后迭代到一定数量后获得行人特征提取网络的训练得到模型M2；
3)在输入所需标注的视频文件后，根据使用者设置检测帧率T，感兴趣区域A，根据所设置帧率进行抽取特定帧，并将特定帧保存为图片，根据所设置感兴趣区域仅对该区域A内进行检测；
4)根据步骤3)设置的检测帧率T，利用步骤1)构建模型M1对输入的视频进行检测，对检测到行人进行通过设定感兴...

【专利技术属性】
技术研发人员：李晓春，吴狄娟，秦勇，朱锦校，
申请(专利权)人：杭州像素元科技有限公司，
类型：发明
国别省市：浙江;33