行人重识别方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种行人重识别方法、装置及电子设备。所述方法依照同一相机下红外与可见光图像中行人内容信息不变，将两种模态图像进行图像融合，训练生成对抗网络模型生成难以辨别的伪融合图像，并用伪融合图像取代原有的可见光图像或红外图像作为输入，伪融合图像中含有原有的可见光图像或红外图像的信息，在提取特征进行相似度排序时可降低误检率，能够降低两种输入模态之间的差异，在跨模态行人重识别过程中具有更高的准确性。程中具有更高的准确性。程中具有更高的准确性。

【技术实现步骤摘要】
行人重识别方法、装置及电子设备


[0001]本专利技术涉及图像识别
，尤其涉及一种行人重识别方法、装置及电子设备。

技术介绍

[0002]红外与可见光的行人重识别是夜间安防的重要任务之一。传统的行人重识别只能解决光线充足下的识别任务，而犯罪分子通常爱好在夜间行动，这时候完全依靠可见光摄像机显然是不能解决图像匹配问题的。
[0003]对此，现有技术提出一种使用生成对抗网络(Generative Adversarial Networks)，通过训练生成器和判别器来学习模态之间的关联，实现跨模态检索，但这种方式所产生的中间模态的通道信息只包含一种模态，难以在跨模态下进行较好的图像检索。

技术实现思路

[0004]本专利技术的目的在于提供一种行人重识别方法，能够提升跨模态图像检索的准确性。
[0005]为实现上述目的，本专利技术提供一种行人重识别方法，包括如下步骤：获取训练样本集，所述训练样本集包括多个第一训练图像及分别与所述多个第一训练图像对应的多个第二训练图像，所述第一训练图像的模态为可见光图像和红外图像中一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行人重识别方法，其特征在于，包括如下步骤：获取训练样本集，所述训练样本集包括多个第一训练图像及分别与所述多个第一训练图像对应的多个第二训练图像，所述第一训练图像的模态为可见光图像和红外图像中一个，所述第二训练图像的模态为可见光图像和红外图像中另一个；通过预设的卷积神经网络模型融合第一训练图像及及其对应的第二训练图像，得到真实融合图像；用所述真实融合图像及第一训练图像训练预设的生成对抗网络模型，使得所述生成对抗网络模型根据第一训练图像生成的伪融合图像达到预设标准；利用所述真实融合图像、伪融合图像及第二训练图像组成优化后的训练样本集，用优化后的训练样本集训练行人重识别网络，得到训练后的行人重识别网络；获取待检测的图像集，所述待检测的图像集包括多个第一图像及多个第二图像，所述第一图像的模态为可见光图像和红外图像中一个，所述第二图像的模态为可见光图像和红外图像中另一个；将所述第一图像输入训练后的生成对抗网络模型，得到该第一图像对应的伪融合图像；将所述伪融合图像和所述第二图像输入训练后的行人重识别网络进行行人匹配，得到行人重识别结果。2.如权利要求1所述的行人重识别方法，其特征在于，通过预设的卷积神经网络模型融合各个第一训练图像及第二训练图像，得到真实融合图像具体包括：通过第一卷积层和第二卷积层分别提取所述第一训练图像及第二训练图像的图像特征；通过预设的元素级融合规则融合所述第一训练图像及第二训练图像的图像特征，得到真实融合图像特征；通过第三卷积层和第四卷积层从真实融合图像特征重建图像，得到真实融合图像。3.如权利要求2所述的行人重识别方法，其特征在于，所述预设的元素级融合算法为：；其中，表示第i张第一训练图像或第二训练图像通过第二卷积层提取的第j个特征图，是真实融合图像特征的第j个通道，fuse是元素融合规则，i，j和N均为正整数。4.如权利要求1所述的行人重识别方法，其特征在于，用所述真实融合图像及第一训练图像训练预设的生成对抗网络模型具体包括：将第一训练图像转换包括可见光图像和红外图像两张模态信息的伪融合图像；将伪融合图像和真实融合图像转换到同一特征空间中，以减少伪融合图像和真实融合图像之间的特征差异；接收由伪融合图像或真实融合图像生成的图像
‑
特征对，当图像
‑
特征对中的图像为真实融合图像且特征为真实融合图像的特征，且该图像和特征对...

【专利技术属性】
技术研发人员：闾凡兵，蒋孜博，曹达，秦拯，
申请(专利权)人：长沙海信智能系统研究院有限公司，
类型：发明
国别省市：