一种基于动作激励的时空特征擦除视频行人重识别方法技术

本发明专利技术公开了一种基于动作激励的时空特征擦除视频行人重识别方法。其中，所述方法包括：获取包含多个动作的行人视频数据；构建基于行人视频数据的深度残差网络模型；采用基于动作激励和时空特征的深度残差网络对深度残差网络模型进行训练，并利用训练后的深度残差网络模型进行视频行人重识别。本发明专利技术针对当前视频行人重识别研究中，关注表观特征以及细粒度特征，即单帧内的静态特征，而忽略视频所特有的动态特性，由多帧构成的动作特征这一问题，从动作特征的提取入手，提出了基于动作激励的时空特征擦除视频行人重识别算法。励的时空特征擦除视频行人重识别算法。励的时空特征擦除视频行人重识别算法。

【技术实现步骤摘要】
一种基于动作激励的时空特征擦除视频行人重识别方法


[0001]本专利技术涉及视频行人重识别
，尤其涉及一种基于动作激励的时空特征擦除视频行人重识别方法。

技术介绍

[0002]人工智能在公共安全领域大有可为，而行人重识别正是人工智能在公共安全领域的典型应用。行人重识别广泛应用于刑事侦查、智能安防、智能监控、智慧城市及无人超市等各个领域，其在维护人民生命和财产安全方面，提供有利保障。早期刑侦案件中，为了从监控摄像头中，找到犯罪嫌疑人的行动踪迹，需要大量的办案人员对多摄像头，长时间的大量视频进行观看来人为的筛选排查，这无疑是费时费力且效率低下的，而且有可能延误办案时机，导致进展不顺等。而行人重识别技术，可以在海量的视频数据中，精确的检索出相应的犯罪嫌疑人，为案件侦破提供有力的帮助。
[0003]视频行人重识别任务本身面临复杂挑战。相同身份的行人，在不同角度的摄像头的拍摄下，往往呈现出不同姿态，不同尺度，不同清晰度等差异。而不同身份的行人，由于外观穿着相近，在同一摄像头下的成像往往极其相似，导致难以区分。在这些情况下，准确地进行视频行人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动作激励的时空特征擦除视频行人重识别方法，其特征在于，包括：获取包含多个动作的行人视频数据；构建基于行人视频数据的深度残差网络模型；采用基于动作激励和时空特征的深度残差网络对深度残差网络模型进行训练，并利用训练后的深度残差网络模型进行视频行人重识别。2.如权利要求1所述的一种基于动作激励的时空特征擦除视频行人重识别方法，其特征在于，所述采用基于动作激励和时空特征的深度残差网络对深度残差网络模型进行训练，包括：深度残差网络分别提取视频数据中行人的表观特征、动作激励特征和空间信息、时序信息，并利用动作激励特征作为激励信息从表观特征中提取出行人特征；采用空间信息和时序信息对行人特征进行精炼，获得包含时空关系的行人特征；将包含时空关系的行人特征输入深度残差网络进行训练获取深度残差网络模型。3.如权利要求2所述的一种基于动作激励的时空特征擦除视频行人重识别方法，其特征在于，所述深度残差网络提取视频数据中行人的表观特征、动作激励特征；以及，所述利用动作激励特征作为激励信息从表观特征中提取出行人特征，具体包括：深度残差网络提取表观特征；对表观特征进行降维获得降维特征，再对降维特征卷积获得卷积降维特征；通过降维特征、卷积降维特征、特征帧差法以及预处理获得帧差特征；将帧差特征与表观特征相乘获得动作激励特征；将动作激励特征和表观特征相加获得行人特征。4.如权利要求2所述的一种基于动作激励的时空特征擦除视频行人重识别方法，其特征在于，所述深度残差网络分别提取视频数据中行人的空间信息、时序信息；以及，采用空间信息和时序信息对行人特征进行精炼，获得包含时空关系的行人特征，具体包括：对行人特征进行维度一半的降维操作，将特征分为时间和空间两部分，分别进行时序特征和空间特征的抽取；在时间部分，对输入的特征进行矩阵变换后进行3D卷积、批量标准化、激活函数激活、矩阵变换和平均后获得时间特征；在空间部分，对输入的特征进行2D卷积、批量标准化、激活函数激活和平均后获得空间特征；将空间特征和时间特征进行拼接，获得包含时空关系的行人特征。5.如权利要求2所述的一种基于动作激励的时空特征擦除视频行人重识别方法，其特征在于，所述将包含时空关系的行人特征输入深度残差网络进行训练获取深度残差网络模型，包括：将包含时空关系的行人特征输入深度残差网络进行训练；通过交叉熵损失的损失函数、困...

【专利技术属性】
技术研发人员：陈颖，黄佑君，叶芳彬，高立超，
申请(专利权)人：厦门身份宝网络科技有限公司，
类型：发明
国别省市：