[发明专利]一种基于多粒度语义解析的行人重识别方法及存储介质在审

专利信息
申请号: 201911096068.3 申请日: 2019-11-11
公开(公告)号: CN111046732A 公开(公告)日: 2020-04-21
发明(设计)人: 陈靓影;徐如意;杨宗凯;张玉康;刘乐元 申请(专利权)人: 华中师范大学
主分类号: G06K9/00 分类号: G06K9/00;G06K9/62;G06N3/04;G06N3/08
代理公司: 武汉东喻专利代理事务所(普通合伙) 42224 代理人: 雷霄
地址: 430079 湖*** 国省代码: 湖北;42
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 粒度 语义 解析 行人 识别 方法 存储 介质
【说明书】:

发明公开了一种基于多粒度语义解析的行人重识别方法及存储介质,包括训练步骤和测试步骤,所述训练步骤包括:利用人体语义解析算法将训练样本中的行人图像解析为多个粒度的语义区域的行人图像,其中至少一个粒度包含不同语义区域之间的过渡信息;将每个语义区域的行人图像输入到对应的卷积神经网络中,对每个语义区域进行分类训练,得到每个语义区域的分类器;利用所述分类器对相应的语义区域的行人图像进行特征提取,将提取到的特征进行特征融合,得到行人特征描述子;所述测试步骤包括:利用训练步骤得到的所述分类器和所述行人特征描述子对测试样本的行人图像进行行人重识别。本发明通过多粒度的人体语义解析方式实现语义的高度对齐,并且充分利用人体语义区域之间的过渡性信息,识别精确度高。

技术领域

本发明属于图像识别技术领域,更具体地,涉及一种基于多粒度语义解析的行人重识别方法及存储介质。

背景技术

行人重识别又称为行人再识别或跨境追踪,是近年来计算机视觉领域热门的研究课题和典型应用。在监控系统中,由于摄像机分辨率和拍摄角度的缘故,通常无法得到质量非常高的人脸图片,当人脸识别失效的情况下,行人重识别就成为了一个非常重要的替代技术,因此在公共安防领域具有巨大的潜力。给定一个需要检索的行人的图像,行人重识别的任务是检索出一段时间内由不同摄像机拍摄的所有该行人图像。行人重识别具有非常广阔的应用前景,包括行人检索、行人跟踪、街头事件检测、行人动作行为分析、丢失人口寻找等等,此外,行人重识别还可以与人脸识别相结合,进行行人身份识别。

现实场景下影响行人重识别的主要因素有光照、遮挡、姿态、图像分辨率等,目前在该领域针对上述因素已经展开了诸多研究并且获得了较大的突破,现有技术中主要采用了粗粒度和细粒度两个粒度的提取人体的代表区域,来进行行人重识别,细粒度一般代表头部、胸部、大腿及小腿等单个肢体或部位区域,粗粒度即为原始行为图像。但现有技术中存在两个问题:一是,直接从图像中提取代表区域,不会做语义分割,行人区域没有进行语义对齐;二是现有的基于粗粒度和细粒度的图像标注方式,没有考虑图像语义区域之间的过滤信息。

发明内容

针对现有技术的至少一个缺陷或改进需求,本发明提供了一种基于多粒度语义解析的行人重识别方法及存储介质,通过多粒度的人体语义解析方式实现语义的高度对齐,并且充分利用人体语义区域之间的过渡性信息,识别精确度高。

为实现上述目的,按照本发明的一个方面,提供了一种基于多粒度人体语义解析的行人重识别方法,包括训练步骤和测试步骤,所述训练步骤包括:

S1,利用人体语义解析算法将训练样本中的行人图像解析为多个粒度的语义区域的行人图像,其中至少一个粒度包含不同语义区域之间的过渡信息;

S2,将每个语义区域的行人图像输入到对应的卷积神经网络中,对每个语义区域进行分类训练,得到每个语义区域的分类器;

S3,利用所述分类器对相应的语义区域的行人图像进行特征提取,将提取到的特征进行特征融合,得到行人特征描述子;

所述测试步骤包括:

S4,利用训练步骤得到的所述分类器和所述行人特征描述子对测试样本的行人图像进行行人重识别。

优选地,所述S1具体是:利用人体语义解析算法将每张所述行人图像解析为四个粒度的9个语义区域的行人图像,粒度G1对应原始的人体图像,粒度G2对应去掉背景的人体图像,粒度G3包含不同语义区域之间的过渡信息,分别对应头部+胸部、胸部+大腿、大腿+小腿三个语义区域图像,粒度G4分别对应头部、胸部、大腿及小腿四个语义区域图像。

优选地,所述S1具体包括步骤:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华中师范大学,未经华中师范大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911096068.3/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top