System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及行人再识别,具体涉及一种行人再识别的方法及系统。
技术介绍
1、行人再识别是计算机视觉领域中的前沿方向和研究热点,旨在利用计算机视觉技术在图像或视频库中检索特定行人,从而为跨摄像机目标追踪、跨摄像机行为分析等众多应用提供了基础。因此,行人再识别研究具有强烈的实际需求,在大量领域都有重要的应用价值。
2、而在视频监控系统中,行人目标一般在摄像头下都是处于活动的状态。在多个不同摄像头下采集行人样本,造成了行人类内差异非常大,即相同的行人在外观上差异很大,仅仅是一些局部区域具有相同的细节内容。此外,不同的行人穿着相同或相似的衣服或者配饰,此时不同行人之间的外观差异就会变得非常小,对不同行人身份的区分造成较大障碍。行人目标是非刚性的,其与一些刚体的目标不同,其是从不同的方向进入监控系统中,这使得行人图像存在各种各样的姿态不对齐问题(比如形状和身体各部位的位置都存在变化、姿态变化、背景变化、人体遮挡、检测误差等,以及同时行人的外观还会受到摄像机视角、光照条件、身体遮挡、相机参数差异等因素的影响问题),对行人的特征表示造成了较大的困难,进而影响行人再识别的性能。而考虑到局部特征对类内变化具有一定的鲁棒性,大量研究学者在对行人的外观特征进行描述时,通常会先将行人图片分割成不同的子区域,再提取每个子区域的局部特征。因此,针对行人姿态非对齐问题,当前的行人再识别方法可以被分为两种类型:部件先验信息学习和部件监督信息学习。
3、对于上述第一种,它只使用行人类别标签来训练网络,而且不使用额外的任何行人部件的标注信
技术实现思路
1、有鉴于此,本专利技术实施例提供一种行人再识别的方法及系统,旨在提解决行人姿态非对齐问题以提高行人再识别模型的身份匹配性能和泛化能力。
2、本专利技术实施例第一方面提供了一种行人再识别的方法,所述方法包括:
3、通过对图像数据进行预处理,获得目标图像数据;
4、将所述目标图像数据输入行人再识别模型的骨干网络进行特征提取,获得第一特征;
5、通过所述行人再识别模型对所述第一特征进行卷积处理,获得预设数量的第二特征;
6、通过对所述预设数量的第二特征进行高阶池化处理,获得相同索引的第一高阶特征和交叉索引的第二高阶特征;
7、通过对所述第一高阶特征和所述第二高阶特征进行特征融合,获得目标高阶特征;
8、通过将所述目标高阶特征分别和各个候选高阶特征进行相似度计算,获得计算结果;
9、根据所述计算结果,确定所述目标图像数据中的行人所属于的目标行人。
10、可选的,所述通过对图像数据进行预处理,获得目标图像数据,包括:
11、将图像数据处理为目标尺寸,获得第一图像数据;
12、通过对所述第一图像数据进行归一化处理,获得目标图像数据。
13、可选的,所述通过所述行人再识别模型对所述第一特征进行卷积处理,获得预设数量的第二特征,包括:
14、将所述第一特征分别输入预设数量的卷积层进行处理,获得预设数量的第一子特征;
15、通过对所述预设数量的第一子特征分别进行批次归一化处理,获得预设数量的第二特征。
16、可选的,所述通过对所述预设数量的第二特征进行高阶池化处理,获得相同索引的第一高阶特征和交叉索引的第二高阶特征,包括:
17、通过第一高阶算法对所述预设数量的第二特征进行计算,获得相同索引的第一高阶特征;
18、通过对所述预设数量的第二特征进行通道乱序处理,获得预设数量的第三特征;
19、通过第二高阶算法对所述预设数量的第三特征进行计算,获得交叉索引的第二高阶特征;
20、其中,所述第一高阶算法为:
21、
22、其中,xs为相同索引的第一高阶特征,⊙表示hadamard积,表示第i个第二特征xi在px位置的部件特征,vx表示所有部件特征的位置集合,|·|表示集合容量,n为预设数量;
23、其中,所述第二高阶算法为:
24、
25、其中,xc为交叉索引的第二高阶特征,⊙表示hadamard积,表示第i个第二卷积特征在px位置的部件特征,vx表示所有部件特征的位置集合,|·|表示集合容量,n为预设数量。
26、可选的,所述通过对所述预设数量的第二特征进行通道乱序处理,获得预设数量的第三特征,包括:
27、通过对所述预设数量的第二特征分别进行卷积处理,获得各个第二特征各自对应的查询特征和各自对应的键特征;
28、通过将同一个第二特征对应的查询特征和对应的键特征进行内积处理,获得所述同一个第二特征对应的交互注意力特征;
29、通过对所述交互注意力特征和所述同一个第二特征进行矩阵相乘,获得所述同一个第二特征对应的第三特征。
30、可选的,所述通过第二高阶算法对所述预设数量的第三特征进行计算,获得交叉索引的第二高阶特征,包括:
31、通过第二高阶算法对所述预设数量的第三特征进行预设次数的计算,获得相对应的预设个数的交叉索引的第二高阶特征;
32、通过预设算法对所述预设个数的交叉索引的第二高阶特征进行融合,获得最终的交叉索引的第二高阶特征。
33、可选的,所述行人再识别模型的训练,包括:
34、对训练样本图像进行随机尺寸处理,获得第一训练样本图像;
35、将所述第一训练样本图像处理为目标尺寸,获得第二训练样本图像;
36、通过对所述第二训练样本图像进行归一化处理,获得目标训练样本数据;
37、构建初始行人再识别模型,并设置模型参数和设置对应的更新算法,获得第一行人再识别模型;
38、通过所述目标训练样本数据对所述第一行人再识别模型进行训练,并通过联合损失函数优化模型参数和确定所述初始行人再识别模型是否训练合格;
39、在训练合格的情况下,获得第二行人再识别模型,并通过测试样本图像对所述第二行人再识别模型进行测试,获得测试结果;
40、在所述测试结果表征针对所述测试样本图像识别正确的情况下,将所述第二行人再识别模型确定为最终可应用的行人再识别模型。
41、可本文档来自技高网...
【技术保护点】
1.一种行人再识别的方法,其特征在于,所述方法包括:
2.根据权利要求1所述的行人再识别的方法,其特征在于,所述通过对图像数据进行预处理,获得目标图像数据,包括:
3.根据权利要求1所述的行人再识别的方法,其特征在于,所述通过所述行人再识别模型对所述第一特征进行卷积处理,获得预设数量的第二特征,包括:
4.根据权利要求1所述的行人再识别的方法,其特征在于,所述通过对所述预设数量的第二特征进行高阶池化处理,获得相同索引的第一高阶特征和交叉索引的第二高阶特征,包括:
5.根据权利要求4所述的行人再识别的方法,其特征在于,所述通过对所述预设数量的第二特征进行通道乱序处理,获得预设数量的第三特征,包括:
6.根据权利要求4所述的行人再识别的方法,其特征在于,所述通过第二高阶算法对所述预设数量的第三特征进行计算,获得交叉索引的第二高阶特征,包括:
7.根据权利要求1所述的行人再识别的方法,其特征在于,所述行人再识别模型的训练,包括:
8.根据权利要求7所述的行人再识别的方法,其特征在于,设置模型参数和设置对
9.根据权利要求7所述的行人再识别的方法,其特征在于,所述预设联合损失函数包括:三元组损失函数和注意力正则化函数。
10.一种行人再识别的系统,其特征在于,所述系统包括:
...【技术特征摘要】
1.一种行人再识别的方法,其特征在于,所述方法包括:
2.根据权利要求1所述的行人再识别的方法,其特征在于,所述通过对图像数据进行预处理,获得目标图像数据,包括:
3.根据权利要求1所述的行人再识别的方法,其特征在于,所述通过所述行人再识别模型对所述第一特征进行卷积处理,获得预设数量的第二特征,包括:
4.根据权利要求1所述的行人再识别的方法,其特征在于,所述通过对所述预设数量的第二特征进行高阶池化处理,获得相同索引的第一高阶特征和交叉索引的第二高阶特征,包括:
5.根据权利要求4所述的行人再识别的方法,其特征在于,所述通过对所述预设数量的第二特征进行...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。