[发明专利]一种行人图像特征分类方法和系统

权利要求书

1.一种行人图像特征分类方法，其特征在于，包括：

步骤S1：对样本数据集中的行人图像样本进行图像镜像处理来扩充样本数据集；

步骤S2：对扩充后的样本数据集中的行人图像样本进行分组，将属于同一行人的行人图像样本和镜像图像划分为相同的样本组，得到多个行人样本组；

步骤S3：从一行人样本组中选取行人图像样本或镜像图像作为第一正样本或第二正样本，从另一行人样本组中选取行人图像样本或镜像图像作为负样本，将第一正样本、第二正样本和负样本作为输入组；

步骤S4：搭建多通道卷积神经网络，通过所述多通道卷积神经网络对所述输入组中每个样本数据分别进行全局特征和局部特征提取，并将提取的全局特征和局部特征分别进行特征拼接，得到第一正样本的全局-局部特征A、第二正样本的全局-局部特征B和负样本的全局-局部特征C；

步骤S5：在多通道卷积神经网络中设置损失函数，依次将第一正样本的全局-局部特征A、第二正样本的全局-局部特征B和负样本的全局-局部特征C输入损失函数中，利用损失函数计算多通道卷积神经网络的损失值，再根据损失值优化多通道卷积神经网络；

步骤S6：通过优化后的多通道卷积神经网络分别对全局-局部特征A和全局-局部特征B以及全局-局部特征A和全局-局部特征C进行特征分类，得到各行人样本组的特征分类。

2.根据权利要求1所述一种行人图像特征分类的方法，其特征在于，步骤S6进行特征分类前还包括：通过多通道卷积神经网络将全局-局部特征A和全局-局部特征B进行特征拼接得到全局-局部特征D，将全局-局部特征A和全局-局部特征C进行特征拼接得到全局-局部特征E的步骤。

3.根据权利要求2所述一种行人图像特征分类方法，其特征在于，所述步骤S6具体包括：在多通道卷积神经网络中设置Softmax回归函数，利用Softmax回归函数将全局-局部特征D和全局-局部特征E进行特征分类，得到各行人样本组的特征分类。

4.根据权利要求1所述一种行人图像特征分类方法，其特征在于，所述步骤S4具体包括：

步骤S401：搭建多通道卷积神经网络，所述多通道卷积神经网络包括依次连接的全局特征提取通道、局部特征提取通道和全连接层；

步骤S402：通过所述全局特征提取通道提取第一正样本、第二正样本和负样本的全局特征，对应得到全局特征A1、全局特征B1和全局特征C1，通过所述局部特征提取通道提取第一正样本、第二正样本和负样本的局部特征，对应得到局部特征A2、局部特征B2和局部特征C2；

步骤S403：将全局特征A1和局部特征A2输入全连接层中进行特征拼接，得到第一正样本的全局-局部特征A，将全局特征B1和局部特征B2输入全连接层中进行特征拼接，得到第二正样本的全局-局部特征B，将全局特征C1和局部特征C2输入全连接层中进行特征拼接，得到负样本的全局-局部特征C。

5.根据权利要求4所述一种行人图像特征分类方法，其特征在于，所述步骤S402具体包括：

步骤S4021：通过所述全局特征提取通道提取第一正样本、第二正样本和负样本的全局特征，对应得到全局特征A1、全局特征B1和全局特征C1；

步骤S4022：按图像高度分别将第一正样本、第二正样本和负样本平均分为上半部分局部特征和下半部分局部特征，所述局部特征提取通道包括局部特征提取第一通道和局部特征提取第二通道，将每个样本的上半部分局部特征输入所述局部特征提取第一通道，并将下半部分局部特征输入所述局部特征提取第二通道分别进行局部特征提取，得到第一正样本的局部特征A2、第二正样本的局部特征B2和负样本的局部特征C2。