基于成员递进关系的行人群组表征方法技术

本发明专利技术公开了一种基于成员递进关系的行人群组表征方法，该方法包括：获取行人图片并提取行人特征；对行人特征进行线性投影降维，得到行人特征的隐编码；对行人特征的隐编码引入群组表征向量并进行填补，得到填补后特征序列；将填补后特征序列中的群组表征向量结合个体表观信息，得到群组个体表征；将填补后特征序列中的群组表征向量结合个体间关联信息，得到群组关联表征；将群组个体表征和群组关联表征融合，得到多级群组表征。通过使用本发明专利技术，能够更好的表征群组的特征信息，从而提高行人重识别精度。本发明专利技术作为一种基于成员递进关系的行人群组表征方法，可广泛应用于计算机信息处理领域。理领域。理领域。

【技术实现步骤摘要】
基于成员递进关系的行人群组表征方法


[0001]本专利技术涉及计算机信息处理领域，尤其涉及基于成员递进关系的行人群组表征方法。

技术介绍

[0002]群体重识别技术，是指给定一张含有人群待查找的图片，从另一组图片中找到与待查找图片中人群重合率最高的图片，传统的方法有两个：一个是基于手工提取特征来进行图片匹配，还有一个是通过卷积神经网络和图神经网络的方法来建立群体特征。基于手工提取特征的方法存在不够稳定导致效果不佳，表征能力在大规模搜索上有限的问题，基于卷积神经网络和图神经网络的方法存在计算速度慢，网络模型收敛慢，效果欠佳且只能考虑到局部特征之间的关联性的问题。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的是提供一种基于成员递进关系的行人群组表征方法，能够更好的表征群组的特征信息，从而提高行人重识别精度。
[0004]本专利技术所采用的第一技术方案是：一种基于成员递进关系的行人群组表征方法，包括以下步骤：
[0005]获取行人图片并提取行人特征；
[0006]对行人特征进行线性投影降维，得到行人特征的隐编码；
[0007]对行人特征的隐编码引入群组表征向量并进行填补，得到填补后特征序列；
[0008]将填补后特征序列中的群组表征向量结合个体表观信息，得到群组个体表征；
[0009]将填补后特征序列中的群组表征向量结合个体间关联信息，得到群组关联表征；
[0010]将群组个体表征和群组关联表征融合，得到多级群组表征。
[0011]进一步，所述获取行人图片并提取行人特征这一步骤，其具体包括：
[0012]获取群组中的行人图片并进行尺寸变换，得到统一大小的行人图片；
[0013]将统一大小的行人图片输入至Resnet
‑
50网络，输出特征图；
[0014]将特征图经过平均池化处理，得到行人特征。
[0015]进一步，所述对行人特征的隐编码引入群组表征向量并进行填补，得到填补后特征序列这一步骤，其具体包括：
[0016]在行人特征的隐编码前添加群组表征向量，得到初步特征序列；
[0017]基于填补特征将初步特征序列填补至预设长度，得到填补后特征序列；
[0018]根据特征区间设置行人掩膜。
[0019]进一步，所述将填补后特征序列中的群组表征向量结合个体表观信息，得到群组个体表征这一步骤，其具体包括：
[0020]将填补后特征序列经过三个多层感知机学习，得到对应特征Q1、特征K1和特征V1；
[0021]计算每个特征与其他特征的相似度；
[0022]将相似度进行softmax变换并结合特征V1进行相乘处理，得到每个特征与其他特征的相似度较高的特征；
[0023]循环感知机学习和相似度计算的步骤，直至达到预设次数，得到第一组不同子空间的相似信息；
[0024]将第一组不同子空间的相似信息进行拼接，得到群组个体表征。
[0025]进一步，还包括计算个体间关联信息，具体步骤如下：
[0026]将群组个体表征与填补后特征序列相加并作残差计算，得到第一特征结果；
[0027]将第一特征结果进行正则化处理并基于多层感知机计算张量，得到第二特征结果；
[0028]将第二特征结果与第一特征结果相加并作残差计算，得到个体间关联信息。
[0029]进一步，所述将填补后特征序列中的群组表征向量结合个体间关联信息，得到群组关联表征这一步骤，其具体包括：
[0030]将个体间关联信息经过三个多层感知机，得到对应特征序列Q2、特征序列K2和特征序列V2；
[0031]计算群组表征向量与其他个体间关联信息的相似度；
[0032]将相似度进行softmax变换并结合特征序列V2进行相乘处理，得到群组表征向量中与个体间关联信息的相似度较高的特征；
[0033]循环感知机学习和相似度计算的步骤，直至达到预设次数，得到第二组不同子空间的相似信息；
[0034]将第二组不同子空间的相似信息进行拼接，得到群组关联表征。
[0035]进一步，所述将群组个体表征和群组关联表征融合，得到多级群组表征这一步骤，其具体包括：
[0036]将群组个体表征与个体关联表征拼接起来，再经过多层感知机融合，得到融合结果；
[0037]将融合结果正则化处理后与前面群组个体表征做残差连接，输出得到多级群组表征。
[0038]进一步，还包括：
[0039]获取待测图像并根据群组关联表征在行人图片中找出相近图片。
[0040]本专利技术方法的有益效果是：本专利技术通过计算行人特征之间的关联，并且将不同级别的关联信息结合作为群组表征，结合设置行人掩膜来避免无效特征之间的关联计算，能够更好的表征群组的特征信息，从而提高重识别精度。
附图说明
[0041]图1是本专利技术一种基于成员递进关系的行人群组表征方法的步骤流程图；
[0042]图2是本专利技术一种基于成员递进关系的行人群组表征系统的结构框图。
具体实施方式
[0043]下面结合附图和具体实施例对本专利技术做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各
步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0044]如图1所示，本专利技术提供了一种基于成员递进关系的行人群组表征方法，该方法包括以下步骤：
[0045]S1、获取行人图片并提取行人特征；
[0046]S1.1、获取群组中的行人图片并进行尺寸变换，得到统一大小的行人图片；
[0047]具体地，获取一个群组中所有行人图片{P1，P2，P3
…
，Pn}，并限制每个行人图片大小为256*128；
[0048]S1.2、将统一大小的行人图片输入至Resnet
‑
50网络，输出特征图；
[0049]具体地，将这些行人图片输入Resnet
‑
50，取最后一个卷积层的输出作为特征图，得到一个特征图序列，每个特征图大小为2048*7*1。
[0050]S1.3、将特征图经过平均池化处理，得到行人特征。
[0051]具体地，将这些特征图通过平均池化到大小为2048*4*1，设该序列为x＝{x1，x2，x3…
x
n
}，将得到的特征图经过平均池化到2048*1，再改变成2048维的向量作为单个行人的特征。
[0052]S2、对行人特征进行线性投影降维，得到行人特征的隐编码；
[0053]具体地，将每个特征图经过reshape函数得到一个长度为2048*4的特征向量，最后经过一个全连接层降维到长度为128的特征向量。
[0054]S3、对行人特征的隐编码引入群组表征向量并进行填补，得到填补后特征序列；
[0055]S3.1、在行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于成员递进关系的行人群组表征方法，其特征在于，包括以下步骤：获取行人图片并提取行人特征；对行人特征进行线性投影降维，得到行人特征的隐编码；对行人特征的隐编码引入群组表征向量并进行填补，得到填补后特征序列；将填补后特征序列中的群组表征向量结合个体表观信息，得到群组个体表征；将填补后特征序列中的群组表征向量结合个体间关联信息，得到群组关联表征；将群组个体表征和群组关联表征融合，得到多级群组表征。2.根据权利要求1所述一种基于成员递进关系的行人群组表征方法，其特征在于，所述获取行人图片并提取行人特征这一步骤，其具体包括：获取群组中的行人图片并进行尺寸变换，得到统一大小的行人图片；将统一大小的行人图片输入至Resnet
‑
50网络，输出特征图；将特征图经过平均池化处理，得到行人特征。3.根据权利要求2所述一种基于成员递进关系的行人群组表征方法，其特征在于，所述对行人特征的隐编码引入群组表征向量并进行填补，得到填补后特征序列这一步骤，其具体包括：在行人特征的隐编码前添加群组表征向量，得到初步特征序列；基于填补特征将初步特征序列填补至预设长度，得到填补后特征序列；根据特征区间设置行人掩膜。4.根据权利要求3所述一种基于成员递进关系的行人群组表征方法，其特征在于，所述将填补后特征序列中的群组表征向量结合个体表观信息，得到群组个体表征这一步骤，其具体包括：将填补后特征序列经过三个多层感知机学习，得到对应特征Q1、特征K1和特征V1；计算每个特征与其他特征的相似度；将相似度进行softmax变换并结合特征V进行相乘处理，得到每个特征与其他特征的相似度较高的特征；循环感知机学习和相似度计算的步骤，直至达...

【专利技术属性】
技术研发人员：赖剑煌，邓括羽，谢晓华，
申请(专利权)人：中山大学，
类型：发明
国别省市：