[发明专利]一种行人图像特征分类方法和系统

说明书

技术领域

本发明主要涉及图像处理技术领域，具体涉及一种行人图像特征分类方法和系统。

背景技术

随着科技的进步，计算机等智能设备在人们的日常生活中应用越来越广泛，计算机在处理重复的，数据密集的任务时，比人类更有效，更准确。自然地人们希望计算机能够像人类一样处理一些更智能的问题。在计算机新的应用领域中计算机视觉是一个重要的部分，由于传统方法如，K-NN、PCA、LDA等，TOP1识别率不高且易受外在环境影响，鲁棒性差。而目前的使用深度学习行人识别方法多是使用单个损失函数来优化网络，当图片场景有较大变化时不能够保证鲁棒性，无法适用于多个场景。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种行人图像特征分类方法和系统。

本发明解决上述技术问题的技术方案如下：一种行人图像特征分类方法，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。

本发明的有益效果是：将样本数据进行扩充，满足了三重损失对输入样本要求严格的条件，使用多重损失来优化多通道卷积神经网络比现有的使用单个损失函数来优化网络更能保证鲁棒性，可适用于多个场景进行行人图像特征的处理，具有较高的实用性。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，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。

进一步，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。

采用上述进一步方案的有益效果是：第一正样本的全局-局部特征A和第二正样本的全局-局部特征B拼接得到同一个行人的图像特征D，第一正样本的全局-局部特征A和负样本的全局-局部特征C拼接得到非同一个行人的图像特征E作为特征分类的输入，将多通道卷积神经网络训练成适合多个场景下的行人特征处理网络。

进一步，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。

进一步，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；