[发明专利]一种基于人工特征与深度特征融合的行人重识别方法

权利要求书

1.一种基于人工特征与深度特征融合的行人重识别方法,其特征在于,分为以下步骤,

S101、行人检测：选用半监督的学习方法，用深度学习目标的方法定位行人的位置信息得到坐标值，学习位置区域的图像特征信息，简化数据标记；

S102、特征提取与特征融合：选用人工特征和深度特征融合的方法对图像进行特征表示，人工特征选用Dense-SIFT特征，深度特征选用卷积神经网络；

S103、特征距离度量：选用标准特征度量方法-欧式距离度量特征之间的距离，判读是否为同一个人；

S104、离线建模：利用步骤S103中提取的特征训练离线模型；

S105、在线检索：对视频帧图像进行候选目标行人检索，对其进行行人检测和特征提取，选择距离最短的特征作为选定目标。

2.根据权利要求1所述的一种基于人工特征与深度特征融合的行人重识别方法，其特征在于，在步骤S101中，训练行人检测模型，对视频逐帧进行检测，选取不同时段内作为背景帧图像，提取背景帧后，采用基于LBP纹理的减背景方法，对背景进行建模，背景建模后，逐帧图像与背景图像进行匹配，分离背景与前景图像，分离图像背景以及前景行人信息。

3.根据权利要求2所述的一种基于人工特征与深度特征融合的行人重识别方法，其特征在于，进行分离背景与前景图像时，统计一个区域内的纹理构建纹理直方图，对图像进行表示，当获取新的视频图像后，计算其纹理直方图与背景图比较，设置阈值，判断前景信息，逐一比较当前帧的像素点LBP纹理直方图与背景图对应位置像素的纹理直方图，若大于阈值则为前景。

4.根据权利要求1所述的一种基于人工特征与深度特征融合的行人重识别方法，其特征在于，在步骤S102中，人工特征选用Dense-SIFT特征，所述特征多用于特征匹配技术，Dense-SIFT特征可以完成不同摄像头中同一个目标的特征匹配，用于在同一行人不同的监控视频中，避免出现较大的差别。

5.根据权利要求4所述的一种基于人工特征与深度特征融合的行人重识别方法，其特征在于，深度特征采用分类损失函数和三元组损失函数的混合损失函数训练卷积神经网络，进行特征学习，得到图像帧的高层语义特征。

6.根据权利要求1所述的一种基于人工特征与深度特征融合的行人重识别方法，其特征在于，特征融合后选用标准特征度量方法-欧式距离来度量特征之间的距离，计算特征间的欧式距离会赋予所有特征相同的权重。

7.根据权利要求6所述的一种基于人工特征与深度特征融合的行人重识别方法，其特征在于，权重的选择为人工特征和深度特征对分类操作的贡献度，将所述的贡献度作为距离度量是的权重。

8.根据权利要求1所述的一种基于人工特征一深度特征融合的行人重识别方法，其特征在于，在步骤S105中，不同特征对于分类的贡献度不同，将其对于分类的精度作为特征的权重添加到欧式距离度量方法中，标准方法中对每一类特征权重相同，度量待检测图像的特征与训练图像的特征距离，选择距离最短的特征作为选定的目标。