[发明专利]一种基于域不变特征和时空特征的重识别方法

说明书

本发明提出一种基于域不变特征和时空特征的重识别方法，包括：获取输入图像中目标对象的特征；构建贝叶斯模型，预测目标对象在多个图像采集装置间迁移的时空概率，获取时空特征；根据所述目标对象的特征构建多个图像采集装置之间同一目标对象的统一特征表示；根据所述统一特征表示获取具有域不变性的域不变特征；根据所述时空特征和域不变特征构建时空注意力热度图，用于训练识别网络，基于所述识别网络输出目标对象识别结果；本发明可有效提高跨域识别的效率和精度。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于域不变特征和时空特征的重识别方法。

背景技术

行人重识别旨在实现不重叠的不同摄像头下同一行人图像的匹配技术，在加强社会安全管理、预防犯罪行为发生以及实现事件重构等方面具有重要应用价值，由此智能视频监控系统得到了蓬勃发展。行人重识别是智能视频分析领域的研究热点,得到了社会的广泛重视。传统依靠生物信息的行人识别方法，如人脸识别和虹膜识别在大规模的城市监控中往往是不可行的，因为城市监控摄像头难以捕捉到高清的行人图像信息。相反，基于视觉特征的识别方法往往比基于生物信息的识别方法更加可靠，基于人的外观，比如一个人携带的物品或者行人的衣服，可以更可靠地被利用在行人重新识别。行人重识别目前使用较多的方法为基于表征学习的方法、基于度量学习的方法、基于局部特征的方法以及基于视频序列学习的方法。上述方法基本采用监督学习的方式，对数据集图成像特征的一致性要求较高，在实际运用时，会出现精度大幅度下降的情况，对于模型泛化是一大挑战。

发明内容

鉴于以上现有技术存在的问题，本发明提出一种基于域不变特征和时空特征的重识别方法，主要解决跨域识别精度受限的问题。

为了实现上述目的及其他目的，本发明采用的技术方案如下。

一种基于域不变特征和时空特征的重识别方法，包括：

获取输入图像中目标对象的特征；

构建贝叶斯模型，预测目标对象在多个图像采集装置间迁移的时空概率，获取时空特征；

根据所述目标对象的特征构建多个图像采集装置之间同一目标对象的统一特征表示；

根据所述统一特征表示获取具有域不变性的域不变特征；

根据所述时空特征和域不变特征构建时空注意力热度图，用于训练识别网络，基于所述识别网络输出目标对象识别结果。

可选地，构建贝叶斯模型，预测目标对象在多个图像采集装置间迁移的时空概率，获取时空特征，包括：

以目标对象的特征为先验知识并利用余弦相似度构建分类器，根据所述目标对象的特征对应的时空信息，评估目标对象在下一时刻出现在某一图像采集装置的概率，作为所述时空概率；

根据所述时空概率选出满足时空约束的多个图像采集装置的图像，获取时空特征。

可选地，评估目标对象在下一时刻出现在某一图像采集装置的概率，包括：

构造特征联合器，以相邻时刻两个图像采集装置的图像作为输入，输出两图像匹配的概率作为所述时空概率。

可选地，所述特征联合器表示为：

其中，M₁表示分类器C基于视觉特征的判断，α，β为可配置参数，以获得更一般的F匹配函数。v_i和v_j分别表示输入的目标对象的特征，c_i和c_j分别表示预测的图像采集装置对应的特征。

可选地，根据所述目标对象的特征构建多个图像采集装置之间同一目标对象的统一特征表示，包括：

构建公共图像样式库；