一种行人重识别方法和系统技术方案

本发明专利技术涉及智能决策领域，揭露一种行人重识别方法，包括：对行人图像数据进行预处理，得到预处理图像；对预处理图像进行局部特征提取，得到行人局部特征；对预处理图像进行全局特征提取；对行人局部特征和行人全局特征进行自适应噪声匹配处理，转化为自适应局部向量和自适应全局向量；检测人体关键点，构建任意人体关键点间的连接边，构建姿态节点矩阵及根据连接边，构建姿态边矩阵；对节点特征矩阵和边特征矩阵进行更新聚合处理，对聚合节点矩阵和聚合边矩阵进行降维和拼接处理；融合自适应局部向量和自适应全局向量以及聚合姿态向量，计算行人融合向量与行人特征向量的余弦相似度，确定待识别行人的识别结果。本发明专利技术可以提高行人重识别准确率。人重识别准确率。人重识别准确率。

【技术实现步骤摘要】
一种行人重识别方法和系统


[0001]本专利技术涉及智能决策领域，尤其涉及一种行人重识别方法和系统。

技术介绍

[0002]行人重识别技术是人脸识别技术上的进一步延伸,在人脸模糊或无人脸特征信息进行辅助识别的情况下,行人重识别技术需要根据少量的、质量不高或带有遮挡的行人图像实现对特定行人的识别。由于行人重识别强调的是跨视频监控下的行人识别、追踪与预测，因此行人重识别主要应用于大数据刑侦、智能安防、智能寻人等室外带有监控的场所，对公共场所安防管理具重要的现实意义。
[0003]行人重识别目前主流的数据集有CUHK03、Market1501、DukeMTMC
‑
reID、MSMT17等。这些数据集中的行人图像数量少、质量较差，通常受到不同程度的光照变化、障碍物遮挡、视角模糊、行人姿态变换和背景干扰影响，但现有的模型算法在不同数据集上表现差异较大，鲁棒性较差，导致对行人重识别的准确率不高。

技术实现思路

[0004]本专利技术提供一种行人重识别方法和系统，其主要目的在于提高行人重识别准确率。
[0005]为实现上述目的，本专利技术提供的一种行人重识别方法，包括：
[0006]获取待识别行人的图像数据，对所述行人图像数据进行预处理，得到预处理图像；
[0007]对所述预处理图像进行局部特征提取，得到所述待识别行人的行人局部特征；
[0008]对所述预处理图像进行全局特征提取，得到所述待识别行人的行人全局特征；
[0009]分别对所述行人局部特征和所述行人全局特征进行自适应噪声匹配处理，得到自适应局部特征和自适应全局特征，并将所述自适应局部特征和所述自适应全局特征转化为自适应局部向量和自适应全局向量；
[0010]检测所述预处理图像的人体关键点，并构建任意所述人体关键点之间的连接边，根据所述人体关键点，构建所述待识别行人的姿态节点矩阵及根据所述连接边，构建所述待识别行人的姿态边矩阵；
[0011]对所述节点特征矩阵和所述边特征矩阵进行更新聚合处理，得到聚合节点矩阵和聚合边矩阵，对所述聚合节点矩阵和所述聚合边矩阵进行降维和拼接处理，得到聚合姿态向量；
[0012]融合所述自适应局部向量和自适应全局向量以及所述聚合姿态向量，得到行人融合向量，计算所述行人融合向量与预构建行人数据库中行人特征向量之间的余弦相似度，根据所述余弦相似度，确定所述待识别行人的识别结果。
[0013]可选地，所述对所述预处理图像进行局部特征提取，得到所述待识别行人的行人局部特征，包括：
[0014]识别所述预处理图像中的行人人体的结构位置；
[0015]根据所述结构位置，对所述预处理图像进行区域分割，得到分割区域；
[0016]提取所述分割区域的区域特征，并将所述区域特征进行拼接，得到所述预处理图像的拼接局部特征，将所述拼接局部特征作为所述行人局部特征。
[0017]可选地，所述根据所述结构位置，对所述预处理图像进行区域分割，得到分割区域，包括：
[0018]构建所述结构位置的外接矩形；
[0019]根据所述外接矩形，确定所述预处理图像的分割区域。
[0020]可选地，所述分别对所述行人局部特征和所述行人全局特征进行自适应噪声匹配处理，得到自适应局部特征和自适应全局特征，包括：
[0021]获取所述行人局部特征对应的分割区域和所述行人全局特征对应的预处理图像；
[0022]计算所述分割区域的自适应噪比，得到分割区域噪比，并计算所述预处理图像的自适应噪比，得到全局图像噪比；
[0023]根据所述分割区域噪比和所述全局图像噪比，分别对所述分割区域和所述预处理图像进行自适应噪声处理，得到噪声分割图像和噪声全局图像；
[0024]对所述噪声分割图像和所述噪声全局图像进行特征提取，得到自适应局部特征和自适应全局特征。
[0025]可选地，所述计算所述分割区域和所述预处理图像的自适应噪比，包括：
[0026]利用下述公式计算所述分割区域的自适应噪比，得到分割区域噪比：
[0027][0028]其中,β表示分割区域噪比，i表示行人的分割区域,j为不同于i的分割区域,k表示自适应噪声匹配网络中匹配层权重的个数,l为隐藏层层数,f(
·
)为激活函数,x
i
表示自适应噪声匹配网络中第i个分割区域的输入,y
i
表示自适应噪声匹配网络中第i个分割区域的输出,W为权重参数,λ为正则化惩罚系数,α为自适应噪声调节因子,θ
i
为自适应噪声矩阵,N表示同一行人的分割区域的总数。
[0029]可选地，所述检测所述预处理图像的人体关键点，包括：
[0030]利用预训练好的人体关键点检测模型对所述预处理图像进行关键点检测，得到检测关键点；
[0031]对所述检测关键点进行标记，得到标记序号；
[0032]根据所述检测关键点和所述标记序号，生成所述人体关键点。
[0033]可选地，所述根据所述人体关键点，构建所述待识别行人的姿态节点矩阵，包括：
[0034]提取所述人体关键点的节点特征；
[0035]根据所述节点特征和所述人体关键点的标记序号，构建所述人体关键点的节点特征向量；
[0036]按照所述人体关键点的标记序号升序排列，对所述节点特征向量进行竖向拼接，得到所述姿态节点矩阵。
[0037]可选地，所述根据所述连接边，构建所述待识别行人的姿态边矩阵，包括：
[0038]识别所述连接边对应的人体关键点的标记序号；
[0039]利用下述公式，计算所述连接边的边长度；
[0040][0041]其中，d
ij
表示对应于第i，j两个人体关键点的连接边的边长度，x
i
，x
j
分别表示第i个，第j个人体关键点的横坐标，y
i
，y
j
分别表示第i个，第j个人体关键点的纵坐标，i,j分别表示人体关键点的标记序号，k表示人体关键点的数量；
[0042]根据所述标记序号和所述边长度，构建所述姿态边矩阵。
[0043]可选地，所述对所述姿态节点矩阵和所述姿态边矩阵进行更新聚合处理，得到聚合节点矩阵和聚合边矩阵，包括：
[0044]利用下述公式，计算所述姿态节点矩阵的更新节点矩阵；
[0045][0046][0047][0048]其中，M
(l+1)
表示聚合节点矩阵,σ表示激活函数，I为单位矩阵,W为学习权重参数,l为卷积层数,P～为边特征矩阵S的度矩阵,P～矩阵主对角线元素表示每一节点有几条边；
[0049]计算所述更新节点矩阵的姿态边矩阵，将所述姿态边矩阵作为更新边矩阵；
[0050]在所述更新节点矩阵满足预设的条件时，将所述更新节点矩阵作为所述聚合节点矩阵，将所述更新节点矩阵对应的更新边矩阵作为所述聚合边矩阵。...

【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，所述方法包括：获取待识别行人的行人图像数据，对所述行人图像数据进行预处理，得到预处理图像；对所述预处理图像进行局部特征提取，得到所述待识别行人的行人局部特征；对所述预处理图像进行全局特征提取，得到所述待识别行人的行人全局特征；分别对所述行人局部特征和所述行人全局特征进行自适应噪声匹配处理，得到自适应局部特征和自适应全局特征，并将所述自适应局部特征和所述自适应全局特征转化为自适应局部向量和自适应全局向量；检测所述预处理图像的人体关键点，并构建任意所述人体关键点之间的连接边，根据所述人体关键点，构建所述待识别行人的姿态节点矩阵及根据所述连接边，构建所述待识别行人的姿态边矩阵；对所述节点特征矩阵和所述边特征矩阵进行更新聚合处理，得到聚合节点矩阵和聚合边矩阵，对所述聚合节点矩阵和所述聚合边矩阵进行降维和拼接处理，得到聚合姿态向量；融合所述自适应局部向量和自适应全局向量以及所述聚合姿态向量，得到行人融合向量，计算所述行人融合向量与预构建行人数据库中行人特征向量之间的余弦相似度，根据所述余弦相似度，确定所述待识别行人的识别结果。2.如权利要求1所述的行人重识别方法，其特征在于，所述对所述预处理图像进行局部特征提取，得到所述待识别行人的行人局部特征，包括：识别所述预处理图像中的行人人体的结构位置；根据所述结构位置，对所述预处理图像进行区域分割，得到分割区域；提取所述分割区域的区域特征，并将所述区域特征进行拼接，得到所述预处理图像的拼接局部特征，将所述拼接局部特征作为所述行人局部特征。3.如权利要求2所述的行人重识别方法，其特征在于，所述根据所述结构位置，对所述预处理图像进行区域分割，得到分割区域，包括：构建所述结构位置的外接矩形；根据所述外接矩形，确定所述预处理图像的分割区域。4.如权利要求1所述的行人重识别方法，其特征在于，所述分别对所述行人局部特征和所述行人全局特征进行自适应噪声匹配处理，得到自适应局部特征和自适应全局特征，包括：获取所述行人局部特征对应的分割区域和所述行人全局特征对应的预处理图像；计算所述分割区域的自适应噪比，得到分割区域噪比，并计算所述预处理图像的自适应噪比，得到全局图像噪比；根据所述分割区域噪比和所述全局图像噪比，分别对所述分割区域和所述预处理图像进行自适应噪声处理，得到噪声分割图像和噪声全局图像；对所述噪声分割图像和所述噪声全局图像进行特征提取，得到自适应局部特征和自适应全局特征。5.如权利要求4所述的行人重识别方法，其特征在于，所述计算所述分割区域的自适应噪比，得到分割区域噪比，包括：利用下述公式计算所述分割区域的自适应噪比，得到分割区域噪比：
其中,β表示分割区域噪比，i表示行人的分割区域,j为不同于i的分割区域,k表示自适应噪声匹配网络中匹配层权重的个数,l为隐藏层层数,f(
·
)为激活函数,x
i
表示自适应噪声匹配网络中第i个分割区域的输入,y
i
表示自适应噪声匹配网络中第i个分割区域的输出,W为权重参数,λ为正则化惩罚系数,α为自适应噪声调节因子,θ
i
为自适应噪声矩阵,N表示同一行人的分割区域的总数。6.如权利要求1所述的行人重识别方法，其特征在于，所述检测所述预处理图像的人体关键点，包括：利用预训练好的人体关键点检测模型对所述预处...

【专利技术属性】
技术研发人员：刘国权，陈尚良，李跃忠，周吴昊，罗先喜，
申请(专利权)人：东华理工大学，
类型：发明
国别省市：