[发明专利]一种融合行人属性的行人重识别的方法

说明书

本发明公开了一种融合行人属性的行人重识别方法，首先对视频中的行人检测，将检测到的行人输入的本发明设计的行人重识别网络，通过行人属性预测分支获得行人属性的特征向量，然后将该向量融合到行人识别分支，最后行人识别分支输出包含有行人属性的行人特征向量。本方法设计了一个端到端的网络结构，通过预测行人属性获得行人属性的特征向量，将行人属性的特征向量融合到行人识别分支，帮助完成行人重识别的任务，提高了行人重识别的精度，模型有更好的鲁棒性和泛化能力；同时在一次前向推理过程完成两个任务，速度基本上不受影响；本发明提出的融合行人属性的行人重识别方法对行人重识别在安防领域的应用有深远的意义。

技术领域

本发明涉及一种行人重识别方法，尤其涉及一种融合人体属性的行人重识别方法，属于机器视觉领域。

背景技术

行人重识别也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是图像检索的子问题，目的是在给定一个监控行人图像，检索跨设备下的该行人图像。

在监控视频中，由于相机分辨率和摄像机角度的缘故，通常无法得到质量非常高的人脸图像，此时人脸识别模型无法识别一个人的身份。当人脸识别失效的情况下，行人重识别技术就成为了跨不同设备寻找行人的另一个非常重要的手段。行人重识别有一个非常重要的特性就是跨摄像机，行人重识别已经在学术界有很多年，但直到最近几年随着深度学习的发展，才取得了非常巨大的突破。

在近几年，超过30多个关于行人重识别的数据集被公开，比如较小的数据集VIPeR，GRID；以及较大数据集MSMT17等。可是最大的行人重识别数据集相比于ImageNet数据集也是很小的。这主要是由于在不相交的相机视图中收集具有成对label的人物图像有较大的难度和昂贵的成本。因此当前的学术界主要把研究重点集中在基于当前有限的数据集上设计性能更优的算法。

发明内容

本发明提供了一种融合行人属性的行人重识别方法。本发明通过对行人属性的识别，将行人属性的特征融合到行人识别中，提出了一种融合行人属性的行人重识别方法，其特征在于设计了一种融合行人属的行人重识别网络结构。

步骤1：数据准备

基于Market-1501和DukeMTMC-reID数据集。该数据集标注了行人属性和行人的身份这两种标签，行人属于标签包括：young,old,bag,handbag gender等，该标签用于行人属性识别；其次行人身份ID用于行人重识别的任务。

步骤2：行人特征提取网络

行人特征的提取采用DenseNet的思想，DenseNet的整体结构主要包含稠密块(Dense Blocks)和过渡块(transition layers)。

Dense Blocks内部必须特征图大小一致，每层的输入是concat连接，而不是ResNet的element-wise连接，内部的每一个节点代表BN+ReLU，每个卷积层都是33k的filter，其中k被称为growth rate。Transition layers中包含的Pooling层会改变特征图的大小。若每个Dense Block有12层，输入到该block的feature map数为16，k＝12，则第一个Dense Block所有输出的concat起来的feature map数是16+1212＝160，transitionlayer节点由BN-Conv-Pool组成，卷积由11构成，num_out数保持和输入一致，第二、三个的输出feature map数量分别是160+1212＝304，304+1212＝448。

前向传播过程表示如下：

x_i＝H_i([x₀，x₁,...,x_i-1]) 1-1