一种基于小波变换的跨分辨率行人重识别方法技术

本发明专利技术公开了一种基于小波变换的跨分辨率行人重识别方法，利用识别模型对待识别图像中的行人身份进行识别；识别模型包括超分辨率网络、特征提取网络、身份预测网络；待识别图像先经超分辨率网络进行处理后得到超分辨率行人图像，再经特征提取网络提取得到超分辨率行人特征，最后经身份预测网络预测得到该待识别图像中的行人预测身份；超分辨率网络利用小波变换的多频谱分析原理，分别从行人图像及该行人图像的高频分量和低频分量出发对图像分辨率进行提升，通过对待识别图像进行分辨率提升，以解决跨分辨率情况下的行人匹配问题，从而提高模型识别性能，使行人重识别的准确率得到提升。到提升。到提升。

【技术实现步骤摘要】
一种基于小波变换的跨分辨率行人重识别方法


[0001]本专利技术涉及智能监控
，尤其是一种基于小波变换的跨分辨率行人重识别方法。

技术介绍

[0002]行人重识别是一项利用计算机视觉技术检索跨相机下图像或者视频序列中是否存在特定行人的技术。由于其在公共安全领域中的重要作用，行人重识别技术被广泛用于城市交通监控平台、大型商场、校园、大型超市、银行以及一些重要保密部门等平台。然而目前的行人重识别技术的研究重点仍放在匹配高分辨率行人图像或者视频序列中的目标行人，也即现有的行人重识别技术基于所有行人图像的分辨率都足够高这一假设来进行行人检索。但在现实生活中，由于成像设备的质量问题、明暗光线、行人距离相机较远等不利因素，导致摄像机捕获到的行人图像模糊不清，分辨率低下。上述情况会导致行人身份识别的准确度大打折扣。

技术实现思路

[0003]为了克服上述现有技术中的缺陷，本专利技术提供一种基于小波变换的跨分辨率行人重识别方法，通过对待识别图像进行分辨率提升，以解决跨分辨率情况下的行人匹配问题，从而提高模型识别性能，使行人重识别的准确率得到提升。
[0004]为实现上述目的，本专利技术采用以下技术方案，包括：一种基于小波变换的跨分辨率行人重识别方法，利用识别模型对待识别图像中的行人身份进行识别；所述识别模型包括超分辨率网络、特征提取网络、身份预测网络；待识别图像经超分辨率网络进行处理后得到超分辨率行人图像，超分辨率行人图像经特征提取网络进行特征提取得到超分辨率行人特征，身份预测网络根据超分辨率行人特征预测行人的身份，得到该待识别图像中的行人预测身份；所述超分辨率网络包括：小波变换模块、低频外观增强模块、高频细节增强模块、整体增强模块；所述小波变换模块用于对待识别图像进行小波变换，得到该待识别图像的低频分量和高频分量；所述低频外观增强模块用于对低频分量即行人外轮廓信息进行增强；所述高频细节增强模块用于对高频分量即行人细节信息进行增强；所述整体增强模块用于对低分辨率行人图像、增强后的低频分量、增强后的高频分量进行融合，得到该待识别图像的超分辨率行人图像。
[0005]优选的，所述识别模型的训练方式如下所示：S1，获取对应的即同相机角度下的高分辨率行人图像Ih和低分辨率行人图像Ir，构建对应的高分辨率行人图像数据集Ch和低分辨率行人图像数据集Cr；S2，利用超分辨率网络对低分辨率行人图像数据集Cr中的低分辨率行人图像Ir进行处理，得到该低分辨率行人图像Ir的超分辨率行人图像Is；
步骤S2的具体过程如下所示：S21，小波变换模块对低分辨率行人图像数据集Cr中的低分辨率行人图像Ir进行小波变换，得到该低分辨率行人图像Ir的低频分量Ir_LF和高频分量Ir_HF；S22，将该低频分量Ir_LF输入至低频外观增强模块，得到增强后的低频分量Ir_LF
’
；将该高频分量Ir_HF输入至高频细节增强模块，得到增强后的高频分量Ir_HF
’
；S23，将低分辨率行人图像Ir、增强后的低频分量Ir_LF
’
、增强后的高频分量Ir_HF
’
输入至整体增强模块，得到该低分辨率行人图像Ir的超分辨率行人图像Is；S3，特征提取网络包括参数共享且结构相同的两个子网络，分别为第一子网络和第二子网络；利用第一子网络提取超分辨率行人图像Is中的行人特征，得到超分辨率行人特征fs；利用第二子网络提取高分辨率行人图像数据集Ch中对应的高分辨率行人图像Ih的行人特征，得到高分辨率行人特征fh；S4，身份预测网络根据超分辨率行人特征fs，对该低分辨率行人图像Ir中的行人身份进行预测，得到低分辨率行人图像Ir中的行人预测身份；S5，构建识别模型的总损失函数T，总损失函数T包括超分辨率网络的损失函数T1、特征提取网络的损失函数T2、身份预测网络的损失函数T3；所述超分辨率网络的损失函数T1用于表示处理得到的该低分辨率行人图像Ir的超分辨率行人图像Is与对应的高分辨率行人图像Ih之间的误差；所述特征提取网络的损失函数T2用于表示提取得到的超分辨率行人特征fs与对应的高分辨率行人特征fh之间的误差；所述身份预测网络的损失函数T3用于表示该低分辨率行人图像Ir中的行人预测身份与行人真实身份之间的误差；S6，利用高分辨率行人图像数据集Ch和低分辨率行人图像数据集Cr对识别模型进行训练，在训练过程中，更新识别模型的网络参数，使总损失函数T趋于稳定。
[0006]优选的，小波变换的具体方式如下所示：；其中，DWT(.)表示小波变换函数，Haar为小波变换时所使用的基函数，cA、cD、cH、cV均为低分辨率行人图像Ir经小波变换得到的分量，cA为近似分量，cH为水平分量、cV为垂直分量、cD为对角分量；Ir_LF为低分辨率行人图像Ir的低频分量，Ir_HF为低分辨率行人图像Ir的高频分量。
[0007]优选的，所述低频外观增强模块采用U
‑
Net网络结构；所述高频细节增强模块和整体增强模块均采用带有残差连接的CNN网络结构。
[0008]优选的，所述特征提取网络的两个子网络均采用带有通道注意力机制的ResNet50网络，即SE
‑
ResNet50网络。
[0009]优选的，所述身份预测网络包括全局平均池化层、全连接层；先对超分辨率行人特征进行全局平均池化层操作，再送入全连接层识别行人身份。
[0010]优选的，超分辨率网络的损失函数T1为：；其中，参与模型训练的低分辨率行人图像数据集Cr中的图像数量和高分辨率行人图像数据集Ch中的图像数量均为N；低分辨率行人图像数据集Cr中第i张低分辨率行人图像Ir(i)与高分辨率行人图像数据集Ch中的第i张高分辨率行人图像Ih(i)相对应；Is(i)表示由第i张低分辨率行人图像Ir(i)转换得到的超分辨率行人图像。
[0011]优选的，特征提取网络的损失函数T2为：；其中，参与模型训练的低分辨率行人图像数据集Cr中的图像数量和高分辨率行人图像数据集Ch中的图像数量均为N；低分辨率行人图像数据集Cr中第i张低分辨率行人图像Ir(i)与高分辨率行人图像数据集Ch中的第i张高分辨率行人图像Ih(i)相对应；fs(i)表示由第i张低分辨率行人图像Ir(i)转换并提取得到的超分辨率行人特征；fh(i)表示由相对应的第i张高分辨率行人图像Ih(i)提取得到的高分辨率行人特征。
[0012]优选的，身份预测网络的损失函数T3为：；其中，参与模型训练的低分辨率行人图像数据集Cr中的图像数量为N；行人身份的类别总数为M，c表示第c类行人身份类别；sign(.)为符号函数；y(i)为第i张低分辨率行人图像中的行人真实身份的类别号；p(i|c)为第i张低分辨率行人图像中的行人预测身份属于第c类行人身份类别的概率。
[0013]优选的，总损失函数T=T3+b1*T1+b2*T2；其中，b1表示超分辨率网络的损失函数T1的权值参数，b2表示特征提取网络的损失函数T2的权值参数；利用Adam优化策略对识别模型进行训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波变换的跨分辨率行人重识别方法，其特征在于，利用识别模型对待识别图像中的行人身份进行识别；所述识别模型包括超分辨率网络、特征提取网络、身份预测网络；待识别图像经超分辨率网络进行处理后得到超分辨率行人图像，超分辨率行人图像经特征提取网络进行特征提取得到超分辨率行人特征，身份预测网络根据超分辨率行人特征预测行人的身份，得到该待识别图像中的行人预测身份；所述超分辨率网络包括：小波变换模块、低频外观增强模块、高频细节增强模块、整体增强模块；所述小波变换模块用于对待识别图像进行小波变换，得到该待识别图像的低频分量和高频分量；所述低频外观增强模块用于对低频分量即行人外轮廓信息进行增强；所述高频细节增强模块用于对高频分量即行人细节信息进行增强；所述整体增强模块用于对低分辨率行人图像、增强后的低频分量、增强后的高频分量进行融合，得到该待识别图像的超分辨率行人图像。2.根据权利要求1所述的一种基于小波变换的跨分辨率行人重识别方法，其特征在于，所述识别模型的训练方式如下所示：S1，获取对应的即同相机角度下的高分辨率行人图像Ih和低分辨率行人图像Ir，构建对应的高分辨率行人图像数据集Ch和低分辨率行人图像数据集Cr；S2，利用超分辨率网络对低分辨率行人图像数据集Cr中的低分辨率行人图像Ir进行处理，得到该低分辨率行人图像Ir的超分辨率行人图像Is；步骤S2的具体过程如下所示：S21，小波变换模块对低分辨率行人图像数据集Cr中的低分辨率行人图像Ir进行小波变换，得到该低分辨率行人图像Ir的低频分量Ir_LF和高频分量Ir_HF；S22，将该低频分量Ir_LF输入至低频外观增强模块，得到增强后的低频分量Ir_LF
’
；将该高频分量Ir_HF输入至高频细节增强模块，得到增强后的高频分量Ir_HF
’
；S23，将低分辨率行人图像Ir、增强后的低频分量Ir_LF
’
、增强后的高频分量Ir_HF
’
输入至整体增强模块，得到该低分辨率行人图像Ir的超分辨率行人图像Is；S3，特征提取网络包括参数共享且结构相同的两个子网络，分别为第一子网络和第二子网络；利用第一子网络提取超分辨率行人图像Is中的行人特征，得到超分辨率行人特征fs；利用第二子网络提取高分辨率行人图像数据集Ch中对应的高分辨率行人图像Ih的行人特征，得到高分辨率行人特征fh；S4，身份预测网络根据超分辨率行人特征fs，对该低分辨率行人图像Ir中的行人身份进行预测，得到低分辨率行人图像Ir中的行人预测身份；S5，构建识别模型的总损失函数T，总损失函数T包括超分辨率网络的损失函数T1、特征提取网络的损失函数T2、身份预测网络的损失函数T3；所述超分辨率网络的损失函数T1用于表示处理得到的该低分辨率行人图像Ir的超分辨率行人图像Is与对应的高分辨率行人图像Ih之间的误差；所述特征提取网络的损失函数T2用于表示提取得到的超分辨率行人特征fs与对应的高分辨率行人特征fh之间的误差；所述身份预测网络的损失函数T3用于表示该低分辨率行人图像Ir中的行人预测身份
与行人真实身份之间的误差；S6，利用高分辨率行人图像数据集Ch和低分辨率行人图像数据集Cr...

【专利技术属性】
技术研发人员：万森，高东奇，朱前进，周志鹏，成皿，袁泽川，
申请(专利权)人：安徽云森物联网科技有限公司，
类型：发明
国别省市：