[发明专利]一种行人重识别系统和方法

说明书

本发明公开行人重识别系统，包括第一特征训练模块、第二特征训练模块、局部划分训练模块和识别模块；第一特征训练模块采用多尺度局部特征竞争选择技术构造新的分类器Cw；第一特征训练模块包括数据预处理单元、主干网络设置单元、特征分组单元、特征池化单元、特征降维单元、特征分类单元和新分类器构造单元；第二特征训练模块获取整个神经网络的最优参数；局部划分训练模块将数据通过加载的ResNet主干网络、特征分组单元、特征池化单元和特征降维单元对多个局部特征进行标记；识别模块将数据通过加载的ResNet主干网络、特征分组单元、特征池化单元和特征降维单元提取到的特征经过局部划分分类器Ck进行分类。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种行人重识别系统和方法。

背景技术

由于维护社会治安和实现智能交通的需要，视频监控系统得到了广泛应用，街道、车站、广场、超市、学校、医院等公共场所遍布摄像头。为了更加有效的对视频数据进行分析，一些智能技术如人脸识别技术等被用于为人工检索提供帮助。但是，目前大部分已安装的用于覆盖大场景的摄像头精度尚不足以保证拍摄的人脸清晰可辨，此时需要通过行人的整体视觉特征进行身份识别，这使得行人重识别技术在近年来得到高度关注。行人重识别的任务是在面部无法有效辨识的情况下，能够通过其他视觉特征识别，布设多个不同位置和不同角度的摄像头拍到的图像中的同一行人的身份。

可更进一步描述为：任意给出某行人在某个摄像头中的一次出现，可以自动在所有摄像头拍摄到的行人图像中正确检索该行人。

该技术的主要难度在于行人在不同背景、不同光照、不同视角、不同遮挡情况和不同品牌摄像头中呈现出较大的视觉差异。另外，由于自动行人检测方法带来的误差等原因，从场景中提取到的行人图像可能出现身体未对齐，或者部分区域缺失的情况。

由于深度学习在众多识别问题中表现出的压倒其他方法的优异性能，卷积神经网络被广泛应用于计算机视觉的各个领域，行人重识别领域也出现了许多基于深度学习的识别方法。多个研究表明，与传统的手工提取特征相比，

利用卷积神经网络自动学习到的特征空间能够更好的表征不同身份行人的差异性，从而大大提高行人重识别的精度。

另有研究表明，将行人图像划分为几个区域并提取局部特征，作为整体特征的补充，优于只采用整体特征的识别方法。

发明内容

本发明的目的在于提供一种行人重识别系统和方法，用以解决现有的计算机视觉技术对行人重识别的精度较低的问题。

为实现上述目的，本发明的技术方案为

一种行人重识别系统，包括第一特征训练模块、第二特征训练模块、局部划分训练模块和识别模块；

所述第一特征训练模块用于在基于卷积神经网络的行人重识别方法中采用多尺度局部特征竞争选择技术构造新的分类器Cw；所述第一特征训练模块包括数据预处理单元、主干网络设置单元、特征分组单元、特征池化单元、特征降维单元、特征分类单元和新分类器构造单元；

所述第二特征训练模块用于在卷积神经网络的行人重识别方法的基础上获取整个神经网络的最优参数；

所述局部划分训练模块用于将数据通过加载的ResNet主干网络、特征分组单元、特征池化单元和特征降维单元对多个局部特征进行标记，据此为每组特征降维单元输出的局部特征训练一个分类器Ck；

所述识别模块将数据通过加载的ResNet主干网络、特征分组单元、特征池化单元和特征降维单元提取到的特征经过局部划分分类器Ck进行分类，其中Ck分类为正例的特征为有效特征。

其中，所述第一特征训练模块包括第一数据预处理单元、主干网络设置单元、特征分组单元、特征池化单元、特征降维单元、特征分类单元和新分类器构造单元；