一种基于深度学习的行人重识别方法及系统技术方案

本发明专利技术公开一种基于深度学习的行人重识别方法及系统。所述方法包括：采集监控视频，从监控视频中分解出图像帧；从图像帧中获取包含目标行人且无遮挡清晰的图像帧集，利用行人重识别模型的卷积神经网络对图像帧集进行特征提取，得到目标行人特征；根据目标行人特征对行人重识别模型进行训练，确定行人重识别模型的训练损失，根据所述训练损失对所述行人重识别模型的参数进行优化，使用优化后的行人重识别模型进行行人重识别。采用本申请技术方案，能够精确进行行人重识别，提高行人识别精确度。度。度。

【技术实现步骤摘要】
一种基于深度学习的行人重识别方法及系统


[0001]本专利技术涉及神经网络
，尤其涉及一种基于深度学习的行人重识别方法及系统。

技术介绍

[0002]行人重识别(Person re
‑
identification)也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补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。
[0003]然而现有的行人重识别方法只是对采集到的视频图像进行处理，然后进行图像的定位等操作，这种行人重识别方法效率比较低而且精确度也不高。基于此，本专利技术提供一种基于深度学习的行人重识别方法及系统。

技术实现思路

[0004]本专利技术提供了一种基于深度学习的行人重识别方法，包括：
[0005]采集监控视频，从监控视频中分解出图像帧；
[0006]从图像帧中获取包含目标行人且无遮挡清晰的图像帧集，利用行人重识别模型的卷积神经网络对图像帧集进行特征提取，得到目标行人特征；
[0007]根据目标行人特征对行人重识别模型进行训练，确定行人重识别模型的训练损失，根据所述训练损失对所述行人重识别模型的参数进行优化，使用优化后的行人重识别模型进行行人重识别。
[0008]如上所述的一种基于深度学习的行人重识别方法，其中，从监控视频中分解出的图像帧作为训练图像帧，这些训练图像集是获取到的图像集中随机划分出的一部分，训练图像集的选取应该是多样的，例如可以包括行人姿势多样性、行人尺度多样性和背景多样性。
[0009]如上所述的一种基于深度学习的行人重识别方法，其中，通过人工标注或自动标注的方式实现行人检测，对训练图像集进行预处理，得到包含目标行人且无遮挡清晰的图像帧集。
[0010]如上所述的一种基于深度学习的行人重识别方法，其中，根据目标行人特征对行人重识别模型进行训练，具体包括：
[0011]利用行人重识别模型的注意力模块对所述原始特征进行处理，得到多个行人局部特征；
[0012]利用行人重识别模型的神经网络，确定各行人局部特征之间的相似性矩阵，并根据所述相似性矩阵对各行人局部特征进行调整；
[0013]基于调整后的行人局部特征确定行人识别结果，根据所述行人识别结果确定行人重识别模型的训练损失，根据训练损失对行人重识别模型的参数进行优化。
[0014]如上所述的一种基于深度学习的行人重识别方法，其中，在得到调整后的行人局部特征后，基于该行人局部特征，利用行人重识别模型中的分类网络对图像中的行人ID进行分类，进而得到行人重识别结果及对应的分类损失。这里的分类网络可以采用softmax分类器，对应得到softmax分类器的行人ID分类损失，基于该分类损失，对行人重识别模型的参数进行优化，最终得到训练好的行人重识别模型。
[0015]如上所述的一种基于深度学习的行人重识别方法，其中，根据训练损失对所述行人重识别模型的参数进行优化，具体包括如下子步骤：
[0016]将行人重识别训练数据集输入预设的行人重识别模型进行处理，并基于处理结果计算第一损失函数；
[0017]对第一行人重识别训练数据集进行增强处理，将处理结果输入监督网络进行处理，计算第二损失函数；
[0018]根据第一损失函数和第二损失函数的计算结果调整行人重识别模型，得到目标行人重识别模型。
[0019]本专利技术提供一种基于深度学习的行人重识别系统，包括：
[0020]图像采集模块，用于采集监控视频，从监控视频中分解出图像帧；
[0021]目标行人特征提取模块，用于从图像帧中获取包含目标行人且无遮挡清晰的图像帧集，利用行人重识别模型的卷积神经网络对图像帧集进行特征提取，得到目标行人特征；
[0022]行人重识别模块，用于根据目标行人特征对行人重识别模型进行训练，确定行人重识别模型的训练损失，根据所述训练损失对所述行人重识别模型的参数进行优化，使用优化后的行人重识别模型进行行人重识别。
[0023]如上所述的一种基于深度学习的行人重识别系统，其中，行人重识别模块，具体用于利用行人重识别模型的注意力模块对所述原始特征进行处理，得到多个行人局部特征；利用行人重识别模型的神经网络，确定各行人局部特征之间的相似性矩阵，并根据所述相似性矩阵对各行人局部特征进行调整；基于调整后的行人局部特征确定行人识别结果，根据所述行人识别结果确定行人重识别模型的训练损失，根据训练损失对行人重识别模型的参数进行优化。
[0024]如上所述的一种基于深度学习的行人重识别系统，其中，行人重识别模块，具体用于将行人重识别训练数据集输入预设的行人重识别模型进行处理，并基于处理结果计算第一损失函数；对第一行人重识别训练数据集进行增强处理，将处理结果输入监督网络进行处理，计算第二损失函数；根据第一损失函数和第二损失函数的计算结果调整行人重识别模型，得到目标行人重识别模型。
[0025]本专利技术实现的有益效果如下：采用本申请技术方案，能够精确进行行人重识别，提高行人识别精确度。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0027]图1是本专利技术实施例一提供的一种基于深度学习的行人重识别方法流程图。
具体实施方式
[0028]下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0029]实施例一
[0030]如图1所示，本专利技术实施例一提供一种基于深度学习的行人重识别方法，包括：
[0031]步骤110、采集监控视频，从监控视频中分解出图像帧；
[0032]具体地，从某一路段摄像设备采集监控视频。从监控视频中分解出的图像帧作为训练图像帧，这些训练图像集可以是获取到的图像集中随机划分出的一部分，比如，随机划分出50％的图像集作为该训练图像集。为了提高行人重识别的准确性，该训练图像集的选取应该是多样的，例如可以包括行人姿势多样性、行人尺度多样性和背景多样性等。
[0033]步骤120、从图像帧中获取包含目标行人且无遮挡清晰的图像帧集，利用行人重识别模型的卷积神经网络对图像帧集进行特征提取，得到目标行人特征；
[0034]本申请实施例中，可以通过人工标注或自动标注的方式实现行人检测，对训练图像集进行预处理，得到包含目标行人且无遮挡清晰的图像帧集。在对本申请实施例的行人重识别模型进行训练时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的行人重识别方法，其特征在于，包括：采集监控视频，从监控视频中分解出图像帧；从图像帧中获取包含目标行人且无遮挡清晰的图像帧集，利用行人重识别模型的卷积神经网络对图像帧集进行特征提取，得到目标行人特征；根据目标行人特征对行人重识别模型进行训练，确定行人重识别模型的训练损失，根据所述训练损失对所述行人重识别模型的参数进行优化，使用优化后的行人重识别模型进行行人重识别。2.如权利要求1所述的一种基于深度学习的行人重识别方法，其特征在于，从监控视频中分解出的图像帧作为训练图像帧，这些训练图像集是获取到的图像集中随机划分出的一部分，训练图像集的选取应该是多样的，例如可以包括行人姿势多样性、行人尺度多样性和背景多样性。3.如权利要求1所述的一种基于深度学习的行人重识别方法，其特征在于，通过人工标注或自动标注的方式实现行人检测，对训练图像集进行预处理，得到包含目标行人且无遮挡清晰的图像帧集。4.如权利要求1所述的一种基于深度学习的行人重识别方法，其特征在于，根据目标行人特征对行人重识别模型进行训练，具体包括：利用行人重识别模型的注意力模块对所述原始特征进行处理，得到多个行人局部特征；利用行人重识别模型的神经网络，确定各行人局部特征之间的相似性矩阵，并根据所述相似性矩阵对各行人局部特征进行调整；基于调整后的行人局部特征确定行人识别结果，根据所述行人识别结果确定行人重识别模型的训练损失，根据训练损失对行人重识别模型的参数进行优化。5.如权利要求1所述的一种基于深度学习的行人重识别方法，其特征在于，在得到调整后的行人局部特征后，基于该行人局部特征，利用行人重识别模型中的分类网络对图像中的行人ID进行分类，进而得到行人重识别结果及对应的分类损失，这里的分类网络可以采用softmax分类器，对应得到softmax分类器的行人ID分类损失，基于该分类损失，对行人重识别模型的参数进行优化，最终得到训练好的行人重识别模型。6...

【专利技术属性】
技术研发人员：吕雪，陈雪，
申请(专利权)人：郑州大学，
类型：发明
国别省市：