[发明专利]一种姿态驱动的遮挡行人重识别方法

说明书

本发明涉及一种姿态驱动的遮挡行人重识别方法，属于计算机领域。本发明包括：输入待识别图像，经过预处理后调整为标准输入图像；利用行人重识别网络提取输入图像特征，得到全局特征；利用人体姿态估计网络提取输入图像特征，得到人体姿态特征；基于人体姿态特征，分别利用局部可见度预测器模块获取可见度评分，利用局部注意力生成器模块获取注意力掩膜；最后根据可见度评分选取输入图像可见部分的局部特征和图像库中的对应特征计算欧氏距离并按照升序排序，将排序结果作为行人重识别模型的输出。本发明帮助行人重识别网络定位遮挡区域，降低了相同身份的受遮挡行人与完整行人的特征差异，提高了行人重识别模型的泛化能力。

技术领域

本发明属于计算机领域，涉及一种姿态驱动的遮挡行人重识别方法。

背景技术

随着监控摄像头在公共场所的普及，分析监控视频相关研究越来越受到重视。在视频监控中，研究人员关注的核心问题就是行人重识别。行人重识别是属于计算机视觉领域下图像检索任务的子任务。给定一个行人图像，行人重识别方法能够找到出现在其它时间、其它地点的相同行人图像。

在真实场景下，行人图像的采集来自不同的摄像头。同一行人的图像会受到拍摄角度、行人朝向、光照条件、背景干扰和物体遮挡的影响，存在较大的差异。因此，设计一种能够有效提取有足够判别力的特征的行人重识别方法是非常有必要的。

现有的主流行人重识别方法都是基于局部特征的方法。其中，PCB、MGN和Pyramid是具有代表性的方法。PCB是最早提出将行人特征按照垂直方向进行等比划分提取局部特征的方法，划分好的多个水平条分别进行平均池化操作得到局部特征，再分别通过多个非共享权重的分类器训练。MGN则是在PCB的基础上考虑了不同的划分粒度，将全局特征和多粒度的局部特征同时用于行人重识别，从而提高了方法的健壮性。与前两者相比，Pyramid除了整合了全局和局部特征，还整合了它们之间逐步过渡的过程。

但是，以上方法还存在以下的问题：

(1)由于缺乏对前景的精确定位和对背景的忽略，不同的背景噪声会给模型学习带来干扰，降低模型的准确性；

(2)物体遮挡使得局部匹配失效，从而导致相同行人的完整图像与受遮挡图像距离过大。因此，本发明提出了一种姿态驱动的遮挡行人重识别方法。

发明内容

有鉴于此，本发明的目的在于提供一种姿态驱动的遮挡行人重识别方法。

为达到上述目的，本发明提供如下技术方案：

一种姿态驱动的遮挡行人重识别方法，该方法包括以下步骤：

S1：输入待识别的图像，经过预处理后调整为标准输入图像；

S2：通过卷积神经网络来提取输入图像的特征，作为全局特征；

S3：通过人体姿态估计网络来提取输入图像的特征，作为人体姿态特征；

S4：基于人体姿态特征，分别通过预训练好的局部可见度预测器模块得到各个局部的可见度评分，通过预训练好的局部注意力生成器模块生成注意力掩膜；

S5：将全局特征与所述注意力掩膜输入到局部加权池化模块中，得到局部特征；

S6：根据可见度评分选取输入图像可见部分的局部特征和图像库中的对应特征计算距离并按照升序排序，将排序结果作为行人重识别模型的输出。

可选的，所述卷积神经网络为ResNet残差网络。

可选的，所述人体姿态估计网络为OpenPose网络。

可选的，所述局部可见度预测器模块的运作为：

将人体姿态特征按照通道进行全局平均池化，得到该特征各通道的全局信息特征；