[发明专利]一种基于全局特征和粗粒度局部特征的行人再识别方法及装置

权利要求书

1.一种基于全局特征和粗粒度局部特征的行人再识别方法，其特征在于，包括：

步骤S1：检测查询图像中的行人图像，将所述行人图像作为全局图像，并检测所述行人的人体关键点，根据所述人体关键点划分所述行人的人体得到局部部件区域；

步骤S2：提取所述全局图像的全局特征描述及所述局部部件区域的局部特征描述，将所述全局特征描述和所述局部特征描述融合得到全局-局部特征描述；

步骤S3：对行人数据库中的各图像进行关联分析和组合索引后，根据所述全局-局部特征描述对其进行由粗粒度到细粒度的行人检索，并确定所述查询图像中行人的身份。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，所述检测所述行人的人体关键点，根据所述人体关键点划分所述行人的人体得到局部部件区域，具体包括：

步骤A1：将所述查询图像输入至第一神经网络层中，在所述第一神经网络层中检测出所述行人的头、颈、左臀、右臀关键点；

步骤A2：根据所述头、颈、左臀、右臀关键点粗略的将所述行人的人体划分为头部区域、上体区域和下体区域，并将所述头部区域、上体区域和下体区域作为局部部件区域；

步骤A3：对所述局部部件区域进行符号表示。

3.根据权利要求2所述的方法，其特征在于，所述步骤S2，具体为：

将所述全局图像及所述局部部件区域输入至第二神经网络层中，在所述第二神经网络层中提取所述全局图像的全局特征描述及所述局部部件区域的局部特征描述，将所述全局特征描述和所述局部特征描述进行融合得到全局-局部特征描述；

所述全局-局部特征描述表示为：f^GLAD＝[f^G；f^h；f^ub；f^lb]，其中，f^G为所述全局特征描述，f^h为头部特征描述，f^ub为上体特征描述，f^lb为下体特征描述。

4.根据权利要求3所述的方法，其特征在于，所述步骤S3，具体包括：

步骤S3-1：对行人数据库中的各图像进行线下关联分析得到多个图像组，并生成对应的多个组描述符及各图像组中各图像的图像索引；

步骤S3-2：根据所述全局-局部特征描述和所述多个组描述符，在对应的所述多个图像组中进行线上粗粒度检索得到与所述查询图像最相似的预设数量的图像组；

步骤S3-3：分别根据所述预设数量的图像组中各图像的图像索引在所述行人数据库中查找到对应的各图像描述符，根据所述全局-局部特征描述和所述各图像描述符，对所述预设数量的图像组中的各图像进行排序得到与所述查询图像最相似的图像；

步骤S3-4：将所述最相似的图像中人物的身份作为所述查询图像中行人的身份。

5.根据权利要求4所述的方法，其特征在于，所述步骤S3-3中，所述根据所述全局-局部特征描述和所述各图像描述符，对所述预设数量的图像组中的各图像进行排序得到与所述查询图像最相似的图像，具体为：

根据所述全局-局部特征描述和所述各图像描述符，计算所述查询图像与所述预设数量的图像组中各图像之间的欧氏距离，根据所述欧式距离对所述预设数量的图像组中的各图像进行排序得到与所述查询图像最相似的图像。

6.一种基于全局特征和粗粒度局部特征的行人再识别装置，其特征在于，包括：

第一检测模块，用于检测查询图像中的行人图像，将所述行人图像作为全局图像；

第二检测模块，用于检测所述行人的人体关键点，根据所述人体关键点划分所述行人的人体得到局部部件区域；

提取模块，用于提取所述第一检测模块得到的全局图像的全局特征描述，及所述第二检测模块得到的局部部件区域的局部特征描述；

融合模块，用于将所述提取模块提取的全局特征描述和局部特征描述进行融合得到全局-局部特征描述；

关联组合模块，用于对行人数据库中的各图像进行关联分析和组合索引；

检索模块，用于在所述关联组合模块对行人数据库中的各图像进行关联分析和组合索引后，根据所述融合模块得到的全局-局部特征描述对其进行由粗粒度到细粒度的行人检索；

识别模块，用于根据所述检索模块的检索结果，确定所述查询图像中行人的身份。