一种基于深度学习的行人重识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110097032A(43)申请公布日2019.08.06(21)申请号201910400697.4(22)申请日2019.05.15(71)申请人成都电科智达科技有限公司地址611731四川省成都市高新区天府大道北段1700号3栋3单元1703号(72)发明人曹宗杰李亦山(74)专利代理机构成都点睛专利代理事务所(普通合伙)51232代理人孙一峰(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书1页说明书3页附图1页(54)发明名称一种基于深度学习的行人重识别方法(57)摘要本发明属于行人重识别技术领域，涉及一种基于深度学习的行人重识别方法。本发明的方法为：将去除背景的行人轮廓黑白图片作为另一通道加载在输入图片上，同时在检测图片相似度时，计算对应两个特征图上特征值周围5个邻域内的特征值差异，然后将每一个小像素连同其周围8个像素点组成一个“九宫格”，一同减去另一张图的“九宫格”。其中第一个“九宫格”的九个像素点全部是其中间像素点的值。在此基础上比较不同图片的相似度，进一步提高了识别率。同时通过将剔除背景的黑白轮廓图片作为除RGB以外的第四个通道输入，最大程度消除背景对行人的影响。训练时引入CAM能在一定程度上消除行人与摄像头距离、角度不同而产生的误差。CN110097032ACN110097032A权利要求书1/1页1.一种基于深度学习的行人重识别方法，其特征在于，包括以下步骤：S1、输入待识别的行人图片，并进行预处理获得目标识别图片；所述预处理为将图片的背景去除，只留下行人轮廓的黑白图片，并将黑白图片作为另外一个通道加载在对应的原图片上；S2、采用卷积神经网络，对目标识别图片进行比较，设有两张目标识别图片，将两张含有待识别目标的图片分别送入特征提取层中提取特征，输出两张提取到的特征图，特征提取层由两层卷积层，两层池化层组成，记特征提取层12×37的两个特征图为fi,gi∈R；将特征图送入差异提取层，对两张特征图计算图上特征值周围5个邻域内的特征值差异，产生25个近邻差异图，具体为：将第一张图处理为多个相邻的3×3的九宫格，九宫格每一个点的值均为此九宫格中心点的值，再将第一张图减去第二张图，产生25个近邻差异图12×37×5×55×5Ki∈R,1≤i≤25，每个Ki(x,y)∈R,即是5×5的矩阵，1≤x≤12，1≤y≤37；将差异提取层输出的每个5×5的矩阵送入特征总结层，通过求和得到整体的差异，即K∈R12×37×5×5×25-->L∈R12×37×25，将特征图大小映射回12*37*25，采用25个5×5×25，步长为5的卷积核完成；将L输入Across-Patch层，采用25个3×3×5，步长为1的卷积核学习，得到邻域差值的空间联系，再接上两个2×2的最大池化，得到最终特征图；最后通过全连接层得到高层次的关系，输出为500维向量，经过线性整流函数，再通过一层带有两个归一化指数函数节点的全连接层进行分类，获得识别结果。2.根据权利要求1所述的一种基于深度学习的行人重识别方法，其特征在于，还包括步骤S3，采用CAM训练用于降低摄像头俯视角下的行人下半身长度变化，具体为：S31、将目标识别图片放入ResNet50网络中提取深度特征，把最后一个块的下采样层丢弃掉，得到空间大小24*8的张量T；S32、按照水平方向均匀分成6个部分，即6个空间大小4*8张量，以步骤S2中全连接层得到的比重值为权值，进行向量的加权和，得到6个列向量；S33、使用1×1卷积降维通道数，得到6个张量h，然后接6个FC层，通过Softmax进行分类。2CN110097032A说明书1/3页一种基于深度学习的行人重识别方法技术领域[0001]本发明属于行人重识别技术领域，涉及一种基于深度学习的行人重识别方法。背景技术[0002]行人重识别(Personre-identification,Re-ID)起源于多摄像头跟踪,用于判断非重叠视域中拍摄到的不同图像中的行人是否属于同一个人。行人重识别涉及计算机视觉、机器学习、模式识别等多个学科,可以广泛应用于智能视频监控、安保、刑侦等领域。近年来，行人重识别技术引起了学术界和业界的广泛关注，已经成为计算机视觉领域的一个研究热点。而行人兼具刚性和柔性物体的特性,外观易受穿着、姿态和视角变化以及光照、遮挡、环境等各种复杂因素的影响,这使得行人再识别面临着巨大的技术挑战。在行人重识别问题上，过去一直是由公安民警等人力解决人员查找等问题，然而，随着现在监控摄像头的指数型增加，监控视频也随着海量增长，再依靠人工进行人员的识别已经变得十分困难，需要通过电脑软件解决行人重