[发明专利]一种基于模糊鲁棒特征的行人再识别方法及模块装置

说明书

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于模糊鲁棒特征的行人再识别方法和模块装置，解决摄像头下待识别行人图像模糊和训练样本数量少的问题。

背景技术

随着科学技术的发展，视频监控系统已经在通信、安全、交通等行业得到了广泛的应用，其在维护社会治安中起到重要作用，并逐渐向大众化、智能化发展。当前，摄像机网络已经覆盖到了大多数公共场所，比如机场、火车站、地铁、超市和公路等。公共摄像机网络的建设，在打击犯罪、维护治安稳定的实践中正发挥着越来越重要的作用。行人再识别技术是基于计算机视觉的一个研究领域，旨在非重叠的多摄像机网络下，找到相同的感兴趣目标。行人再识别技术广泛的应用在视频监控系统中，其在公共安全，维护社会治安、客户行为分析等领域起到重要作用，因此研究行人再识别技术具有非常重要的意义与应用价值。

在实际条件下，现有的行人重验证数据库规模很小，每一个识别目标在摄像头下出现的次数较少，因而导致可用的训练样本数据比较少，使得训练的深度学习识别模型存在严重过拟合的问题。与此同时，监控摄像头质量的限制和行人的运动性还导致了行人图像分辨率较低和抖动模糊，严重的降低了行人图像的质量，这些都很容易造成对最终目标的错误识别。

发明内容

本发明正是为了解决所述问题缺陷，提供一种基于模糊鲁棒特征的行人再识别方法。

本发明采用如下技术方案实现。

一种基于模糊鲁棒特征的行人再识别方法，本发明的再识别方法包括以下步骤：(a)将公开的大规模人脸图像数据库中的所有图像通过模糊核进行模糊化处理，以获得与行人图像质量接近的大规模图像数据；

(b)通过已处理好的人脸图像数据来训练深度卷积神经网络模型，学习到对模糊鲁棒的初步模型；

(c)通过现有的小规模行人图像数据库对预训练的深度卷积神经网络模型进行参数微调；

(d)对行人图像进行特征提取，通过特征比对进行图像再识别。

本发明所述步骤(a)中对原始人脸图像进行模糊化处理的公式表示为：

I_v＝ψ_b[φ(αI_s*k+n)](1)

其中，未处理人脸图像为I_s，获取的模糊人脸图像为I_v，*表示卷积操作，k为模糊核。

所述公式(1)中，α为动态阈值，其作用为去掉图像中超过摄像机传感器动态范围的数值。α随机地从{1.00，1.05，1.10，1.15}中取一个数值。

所述公式(1)中，n表示高斯白噪声，其数值随机地从{0，0.0002，0.0005，0.0007}中取一个值。

所述公式(1)中，φ()是图像去饱和函数，满足φ(z)＝min(z，z_max)，其中z_max取值为255。

所述公式(1)中，ψ_b()是图像下采样函数，函数的下采样尺度值随机从{0.3，0.5，0.7，0.9}中取一个数值。

本发明所述的公式(1)中，模糊核k包含抖动模糊核k_m公式如下：

所述公式(2)中，(i，j)为图像坐标轴中的坐标数值，L为抖动模糊核的大小，表示图像曝光时的抖动距离，θ为图像抖动的角度。

所述公式(2)中，模糊核L的大小取值随机从{7，9，11}中取一个值，角度θ随机从中取一个数值。抖动模糊核k_m共有3*4＝12种随机组合。

本发明所述的公式(1)中，模糊核k包含扩散模糊核k_o；公式如下：

所述公式(3)中，σ和R分别表示扩散模糊核的幅度和角度。C是一个常数。

所述公式(3)中，模糊核幅度σ的大小取值随机从{1.5，3.0}中取一个值，模糊核幅度R的取值为9。扩散模糊核k_o共有2*1＝2种随机组合。本发明所述的公式(1)中，模糊核k由两个模糊核组成，分别是抖动模糊核k_m和扩散模糊核k_o，

模糊核k为随机将抖动模糊核k_m和扩散模糊核k_o进行随机组合，可以得到12*2＝24种组合模糊核处理。模糊核k总共有24+12+2＝38种随机模糊核选择的组成。

本发明所述步骤(b)中的深度卷积神经网络模型为现有的深度学习神经网络GoogLeNet。