[发明专利]一种基于视角关联与深度网络学习的行人再识别方法

说明书

本发明提供了一种基于视角关联与深度网络学习的行人再识别方法，其通过对每个视角建立视角关联的深度网络从而提取视角相关的底层视角特征，通过迭代的跨视角欧氏距离约束和跨视角中心度量约束（ICV‑ECCL）约束不同网络之间的特征以减少不同视角之间行人特征的差异。实验表明，本发明能较大幅度地提高现有的深度网络在行人再识别上的性能，具有广泛的应用价值。

技术领域

本发明涉及计算机视觉技术领域，更具体地，涉及一种基于视角关联与深度网络学习的行人再识别方法。

背景技术

随着技术的不断发展与成本的降低，监控摄像头已经被普遍应用于日常生活及社会安防各个领域，尤其是在公共场所，如银行、医院、商场、车站等人流较多的地方，发挥了重要的作用。行人再识别技术能跨摄像头跨视角进行目标行人匹配，是未来智能监控系统的重要组成部分，能极大地减少日常监控所需的人力物力，具有广阔的应用前景。行人再识别技术通过比较来自不同摄像头的行人图像和行人库里的图像来确定监控行人的身份。由于众多摄像头分布于城市的各个区域，因此成像质量和成像条件各不相同，光照变化、视角变化、图像分辨率变化等因素使得最终得到的监控行人图像在外观上有很大的差异，也是行人再识别技术研究的主要挑战。

主流的行人再识别技术先提取人工特征再结合距离度量或视角鲁棒的投影来减少不同视角造成的外观变化带来的影响。这种策略能一定程度上增强所提特征的鲁棒性和描述能力，但是仍然有以下的一些局限性：1)传统的人工特征是基于经验设计的，主要用来提取目标外观特征，在跨视角行人再识别的问题上具有很大的局限性，无法解决视角变化带来的外观剧变；2)对于不同的监控视角，采用的都是同样的模型和特征提取模块，忽视了视角相关的信息；3)所提的特征并没有利用到监控行人数据，因此鲁棒性不强。最近几年，深度学习得到了快速的发展，在行人再识别领域也正在升温，深度网络的性能已经不弱于现有最好的一些传统特征。另外，由于深度网络端对端学习的优势，能在特征提取的时候更好地融入视角特征，从而增强鲁棒性。但是，现有的基于深度网络的技术往往用同样的深度网络对来自不同视角的行人图像提取特征，忽略了视角变化带来的影响。因此，开发视角关联的深度网络并基于这些网络进行行人再识别能弥补现有技术的缺陷，提高再识别技术性能。

发明内容

本发明为解决现有技术提供的行人再识别方法存在的受监控视角变化影响而导致跨视角识别受局限的技术缺陷，提供了一种基于视角关联与深度网络学习的行人再识别方法。

为实现以上发明目的，采用的技术方案是：

一种基于视角关联与深度网络学习的行人再识别方法，包括以下步骤：

S1.通过行人图像预训练一个深度网络，并将该深度网络作为深度网络的初始化模型；

S2.为摄像头的各个监控视角分别以步骤S1的初始化模型为基础构建一个深度网络，然后分别使用各个监控视角下的行人图像对相应监控视角的深度网络进行训练，训练过程中，利用迭代的跨视角欧氏距离约束和跨视角中心度量约束方法对不同视角的深度网络进行联合训练，减少来自不同视角的行人图像间的特征差距，直至深度网络的参数收敛；

S3.对于某个监控视角下的目标行人图像及行人图像库，首先使用相应监控视角的深度网络对目标行人图像及行人图像库中的行人图像分别进行特征的提取，然后将从目标行人图像中提取的特征依次与从图像库中的行人图像中提取的特征进行匹配，基于匹配的结果确定目标行人图像的身份。

与现有技术相比，本发明的有益效果是：

本发明提供了一种基于视角关联与深度网络学习的行人再识别方法，其通过对每个视角建立视角关联的深度网络从而提取视角相关的底层视角特征，通过迭代的跨视角欧氏距离约束和跨视角中心度量约束(ICV-ECCL)约束不同网络之间的特征以减少不同视角之间行人特征的差异。实验表明，本发明能较大幅度地提高现有的深度网络在行人再识别上的性能，具有广泛的应用价值。

附图说明