[发明专利]多属性约束的行人重识别方法

说明书

本发明公开了一种多属性约束的行人重识别方法，该方法结合全局特征与局部特征进行学习和训练，取得较准确的识别结果，本方法的网络结构设计中，包括中低层特征子网络、全局特征子网络以及局部细粒度特征子网络，首先，在中低层特征子网络中，学习行人的中层和低层特征，进一步在全局特征子网络中结合高层行人语义特征进行学习，能够有效对行人整体特征判别，局部细粒度特征子网络采用空间变换网络进行设计，并结合中低层特征和人体局部外观信息学习，有利于确保行人局部外观识别的准确性，本发明能够在复杂背景环境下取得较高的识别率。

技术领域

本发明涉及行人重识别技术领域，具体涉及一种多属性约束行人重识别方法，该方法结合全局特征与局部特征进行学习和训练，取得较准确的识别结果，本方法能够有效提高对行人局部外观识别的准确性，所发明的行人重识别方法能够在复杂背景环境下取得较高的识别率。

背景技术

近年来，随着互联网技术的兴起，智能视频监控在社会公共安全保障工作上取得了飞速的发展，并在维护社会治安稳定的实践过程中起着很重要的作用，行人重识别致力于判断给定图像或者视频序列中是否出现特定的行人，传统的行人重识别技术通过颜色、纹理特征以及其他低层视觉特征实现行人特征的表达，但是，这些手工提取的低层特征很难应对光照差异大、分辨率低以及行人之间局部遮挡等问题，基于深度学习的行人重识别技术的出现克服了传统手工提取特征方式的缺陷，这项技术面临着以下难点：行人所处的环境含有复杂且多余的背景干扰，摄像机拍摄导致的行人姿态不一，然而现有的方法很少利用行人局部属性信息，因此如何高效利用这些属性信息学习行人局部可分辨特征，并建立有效的深度学习模型，实现行人重识别是一个亟待解决的实际问题；

发明内容

本发明的目的是针对现有技术的不足，并针对行人重识别中出现的分辨率低、遮挡以及行人姿势不一等实际问题，利用深度学习策略，构建卷积神经网络，提供一种高效的行人重识别方法；

实现本发明目的的具体技术方案是：

一种多属性约束行人重识别方法，其特征在于，该方法输入分辨率为H×W的单幅RGB图像，H为128、256或者384，W为H/2，具体包括以下步骤：

步骤1：数据集构建

从网站http://blog.fangchengjin.cn/reid-market-1501.html下载单行人图像的数据集Market1501，从Market1501中选M幅图像构建数据集R＝{h_η|0≤η≤M-1}，20000≤M≤40000，R中的每幅图像包含X种行人属性，6≤X≤30，从X中取出N种属性，用独热码对这N种属性进行编码，X-4≤N≤X-2，性别、年龄、发型等，R中图像共有K个类别，500≤K≤2000，为每幅行人图像赋予一个类别J_c，1≤c≤K；

采用以下方法构建训练集α：从R中取出ε幅图像，将图像分辨率缩放为H×W，以行人区域任意像素为中心，在其周围正方形区域内对像素三通道的RGB强度进行随机扰动，并且正方形区域占整幅图像像素比例为S，2％≤S≤20％，处理后的图像记为I_i，0≤i≤ε,用I_i构建训练集α，并且，进一步利用R中剩余的图像，构建测试集γ；

步骤2：构建神经网络

神经网络为三个子网络：中低层特征子网络S-Net、全局特征子网络G-Net和局部细粒度特征子网络L-Net；

对于S-Net，输入为I_i，输入张量形状为H×W×3，输出为不同尺度的两个特征A_i、B_i，A_i是高分辨率特征，尺度为m×n×1024，B_i为低分辨率特征，尺度为a×b×2048，m为8、16或者24，n为m/2，a为m/2，b为a/2；