[发明专利]一种行人重识别特征融合辅助学习的方法

说明书

本发明公开了一种行人重识别特征融合辅助学习的方法，包括：将加入局部特征训练得到的全局特征提取模型用于提取行人图像的全局特征，利用全局特征进行行人重识别，所述全局特征提取模型的训练包括：采集全身图像训练集，检测全身图像训练集中的局部图像，得到局部图像训练集；分别利用全身图像训练集和局部图像训练集训练全身卷积神经网络和局部卷积神经网络，得到全身模型和局部模型；分别利用全身模型和局部模型提取全身图像训练集和局部图像训练集的全局特征和局部特征，利用融合局部特征后的全局特征训练全身模型，得到全局特征提取模型。本发明在训练时将局部特征和全局特征融合，提升了行人重识别的准确率。

技术领域

本发明属于模式识别技术领域，更具体地，涉及一种行人重识别特征融合辅助学习的方法。

背景技术

当一个行人出现在一个摄像头下，利用在这个摄像头下的该行人图像，在其他摄像头下的图像进行检索，就是行人重识别的主要任务。行人重识别主要研究在多个非重叠(不相交)的摄像头下如何正确匹配同一行人目标的图像。在真实的监控视频下，受视角变化、行人姿态变化、摄像机低分辨率、目标遮挡以及光照变化等因素的影响，我们常常无法获得高质量人脸图像，也就无法利用人脸信息进行行人重识别。因此，行人重识别技术主要研究依赖于行人目标表观特征的，这种表观特征包括衣服颜色、衣着样式和体态特征等。

现有的行人重识别方法主要包括三类：(1)基于人工设计的行人特征，即设计鲁棒的行人图像特征，使其能够对视点变化、姿态变化、光照变化以及背景干扰等因素具有不变性；同时能够对行人身份变化具有判别性；(2)基于度量学习的方法，即试图学习得到一个能够真实反映行人身份差异的距离函数，使得在该距离函数下，同一行人不同图像之间的距离较小，而不同行人图像之间的距离较大；(3)基于深度学习的方法，即通过深度卷积神经网络开自动学习整张行人图像的特征或者多个局部的特征，或者将学习特征和度量学习集成在一个框架下，从而学习到行人图像更具有判别性的特征。以上三种方法的不足在于：只考虑学习更好的全局特征和局部特征，而没有考虑到全局特征和局部特征之间潜在的互补关系。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种行人重识别特征融合辅助学习的方法，由此解决现有技术存在只考虑学习更好的全局特征和局部特征，而没有考虑到全局特征和局部特征之间潜在的互补关系的技术问题。

为实现上述目的，本发明提供了一种行人重识别特征融合辅助学习的方法，包括：

将加入局部特征训练得到的全局特征提取模型用于提取行人图像的全局特征，利用全局特征进行行人重识别，所述全局特征提取模型的训练包括：

(1)采集全身图像训练集，检测全身图像训练集中的局部图像，得到局部图像训练集；

(2)分别利用全身图像训练集和局部图像训练集训练全身卷积神经网络和局部卷积神经网络，得到全身模型和局部模型；

(3)分别利用全身模型和局部模型提取全身图像训练集和局部图像训练集的全局特征和局部特征，利用融合局部特征后的全局特征训练全身模型，得到全局特征提取模型。

进一步地，全身图像训练集包括：anchor、正样本集和负样本集，正样本集与anchor的图像身份一致且行人图片不来自同一个摄像头；负样本集与anchor图像行人身份不一致，anchor、正样本集和负样本集中的图像数量相同。

进一步地，局部图像为头部图像、上身图像、下身图像、手部图像，腿部图像中的至少一种。

进一步地，全身卷积神经网络为ResNet、VGGNet、GoogLeNet或者DenseNet，所述局部卷积神经网络为ResNet、VGGNet、GoogLeNet或者DenseNet。

进一步地，步骤(2)的具体实现方式为：