行人识别方法技术

本申请公开了一种行人识别方法，属于计算机视觉技术领域，有助于提升行人识别准确率

【技术实现步骤摘要】
行人识别方法、装置、电子设备


[0001]本申请涉及计算机视觉
，特别是涉及行人识别方法
、
装置
、
电子设备及计算机可读存储介质
。

技术介绍

[0002]行人识别
(Person re
‑
identification)
，是利用计算机视觉技术判断视频图像中是否存在特定行人的技术
。
例如，在非配合式考勤场景中，对于视频图像中检测到的行人，对其进行识别，检测目标行人
。
[0003]近年来，深度学习技术快速发展，深度学习技术在图像分类领域中得到了广泛的应用
。
例如，现有技术中出现了很多基于深度学习进行行人识别的方案
。
现有技术中的行人识别方案主要包括以下步骤：将检测到的行人图像输入到深度学习模型提取特征图；计算提取到的特征图与行人底库特征的相似度；根据计算得到的相似度确定行人识别结果
。
现有技术中的行人识别方法，对出现更换衣服等情况的行人，识别准确率较低
。
[0004]可见，现有技术中的行人识别方法还需要改进
。

技术实现思路

[0005]本申请实施例提供一种行人识别方法及装置，有助于提升行人识别的准确率
。
[0006]第一方面，本申请实施例提供了一种行人识别方法，包括：
[0007]获取目标图像中包括的行人的轮廓信息；
[0008]根据所述轮廓信息和所述目标图像，生成掩码图像，其中，所述掩码图像中包括所述行人在所述目标图像中的影像，且所述行人在所述掩码图像中除人体头部之外的影像区域被掩码处理；
[0009]采用第一特征处理模块对所述掩码图像进行头部特征提取，以及，采用第二特征处理模块对所述掩码图像进行人体形态特征提取，之后，对所述进行头部特征提取和所述进行人体形态特征提取分别得到的特征进行融合，得到融合特征；
[0010]基于所述融合特征对所述行人进行识别
。
[0011]第二方面，本申请实施例提供了一种行人识别装置，包括：
[0012]行人轮廓信息获取单元，用于获取目标图像中包括的行人的轮廓信息；
[0013]掩码图像生成单元，用于根据所述轮廓信息和所述目标图像，生成掩码图像，其中，所述掩码图像中包括所述行人在所述目标图像中的影像，且所述行人在所述掩码图像中除人体头部之外的影像区域被掩码处理；
[0014]特征提取提取单元，用于采用第一特征处理模块对所述掩码图像进行头部特征提取，以及，采用第二特征处理模块对所述掩码图像进行人体形态特征提取，之后，对所述进行头部特征提取和所述进行人体形态特征提取分别得到的特征进行融合，得到融合特征；
[0015]行人识别单元，用于基于所述融合特征对所述行人进行识别
。
[0016]第三方面，本申请实施例还公开了一种电子设备，包括存储器
、
处理器及存储在所
述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的行人识别方法
。
[0017]第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本申请实施例公开的行人识别方法的步骤
。
[0018]本申请实施例公开的行人识别方法，通过获取目标图像中包括的行人的轮廓信息；根据所述轮廓信息和所述目标图像，生成掩码图像，其中，所述掩码图像中包括所述行人在所述目标图像中的影像，且所述行人在所述掩码图像中除人体头部之外的影像区域被掩码处理；采用第一特征处理模块对所述掩码图像进行头部特征提取，以及，采用第二特征处理模块对所述掩码图像进行人体形态特征提取，之后，对所述进行头部特征提取和所述进行人体形态特征提取分别得到的特征进行融合，得到融合特征；基于所述融合特征对所述行人进行识别，有助于提升行人识别准确率
。
[0019]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的
、
特征和优点能够更明显易懂，以下特举本申请的具体实施方式
。
附图说明
[0020]为使本申请实施例的目的
、
技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例
。
基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围
。
[0021]图1是本申请实施例一的行人识别方法流程图；
[0022]图2是本申请实施例一中采用的人形分割模型结构示意图；
[0023]图3是本申请实施例一中所述的掩码图像示意图；
[0024]图4是本申请实施例一的行人识别方法另一流程图；
[0025]图5是本申请实施例一中行人识别阶段采用的行人识别模型结构示意图；
[0026]图6是本申请实施例一中模型训练阶段采用的行人识别模型结构示意图；
[0027]图7是本申请实施例二的行人识别装置结构示意图之一；
[0028]图8是本申请实施例二的行人识别装置结构示意图之二；
[0029]图9示意性地示出了用于执行根据本申请的方法的电子设备的框图；以及
[0030]图
10
示意性地示出了用于保持或者携带实现根据本申请的方法的程序代码的存储单元
。
具体实施方式
[0031]下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例
。
基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围
。
[0032]实施例一
[0033]本申请实施例公开的一种行人识别方法，如图1所示，所述方法包括：步骤
110
至步
骤
140。
[0034]步骤
110
，获取目标图像中包括的行人的轮廓信息
。
[0035]本申请实施例中所述的目标图像指包括一位行人的图像
。
例如，所述目标图像可以为根据对视频图像进行行人检测得到的行人定位框，从所述监控视频图像中截取的仅包括一位行人的图像
。
所述目标图像为既包括行人，又包括背景的彩色图像
。
[0036]目标图像为经过对视频图像预处理后，只包括一位行人的图像，当出现两位以上行人且行人之间出现重叠时，提取一个完整的行人图像作为目标图像
。
[0037]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种行人识别方法，其特征在于，包括：获取目标图像中包括的行人的轮廓信息；根据所述轮廓信息和所述目标图像，生成掩码图像，其中，所述掩码图像中包括所述行人在所述目标图像中的影像，且所述行人在所述掩码图像中除人体头部之外的影像区域被掩码处理；采用第一特征处理模块对所述掩码图像进行头部特征提取，以及，采用第二特征处理模块对所述掩码图像进行人体形态特征提取，之后，对所述进行头部特征提取和所述进行人体形态特征提取分别得到的特征进行融合，得到融合特征；基于所述融合特征对所述行人进行识别
。2.
根据权利要求1所述的方法，其特征在于，所述根据所述轮廓信息和所述目标图像，生成掩码图像，包括：基于所述轮廓信息，确定所述目标图像中包括的一位所述行人所处的人形图像区域；确定所述人形图像区域中的人体头部子区域；根据所述目标图像中所述人体头部子区域的图像内容，以及，所述人形图像区域的形态学信息，生成掩码图像；其中，所述掩码图像中包括的人形图像区域的形态学信息，与所述目标图像中的所述人形图像区域的所述形态学信息一致；并且，所述掩码图像中所述人形图像区域之外的图像像素值为第一颜色值，所述掩码图像中所述人形图像区域内且在所述人体头部子区域之外的图像像素值为第二颜色值，所述掩码图像中所述人形图像区域内的人体头部子区域的图像内容与所述目标图像内所述人体头部子区域的图像内容一致
。3.
根据权利要求1所述的方法，其特征在于，所述采用第一特征处理模块对所述掩码图像进行头部特征提取，以及，采用第二特征处理模块对所述掩码图像进行人体形态特征提取，之后，对所述进行头部特征提取和所述进行人体形态特征提取分别得到的特征进行融合，得到融合特征，包括：通过预先训练的行人识别模型中第一特征处理模块，对所述掩码图像进行头部特征提取，得到所述目标图像的第一特征，以及，通过所述行人识别模型中第二特征处理模块，对所述掩码图像进行人体形态特征提取，得到所述目标图像的第二特征；其中，所述第一特征处理模块和所述第二特征处理模块基于不同神经网络结构搭建；对所述第一特征和所述第二特征进行融合，得到融合特征
。4.
根据权利要求3所述的方法，其特征在于，所述通过预先训练的行人识别模型中第一特征处理模块，对所述掩码图像进行头部特征提取，得到所述目标图像的第一特征，以及，通过所述行人识别模型中第二特征处理模块，对所述掩码图像进行人体形态特征提取，得到所述目标图像的第二特征之前，还包括：基于若干带有类别标签的掩码图像，训练所述行人识别模型；其中，所述掩码图像中包括人形图像，所述人形图像的人体头部图像为彩色图像，所述掩码图像中所述人形图像的除所述人体头部图像区域之外的图像像素值为第二颜色值，所述掩码图像中所述人形图像之外的图像区域的图像像素值为第一颜色值
。5.
根据权利要求4所述的方法，其特征在于，所述基于若干带有类别标签的掩码图像，训练所述行人识别模型，包括：
对于每个所述掩码图像，分别执行以下特征提取及分类操作：通过行人识别模型中第一特征处理模块，对所述掩码图像进行头部特征提取，得到所述掩码图像的第一特征，以及，通过所述行人识别模型中第二特征处理模块，对所述掩码图像...

【专利技术属性】
技术研发人员：庞宏伟，姚栖，彭菲，黄磊，
申请(专利权)人：汉王科技股份有限公司，
类型：发明
国别省市：