[发明专利]一种结合风格变换与姿态生成的行人重识别方法

说明书

本发明提供了一种结合风格变换与姿态生成的行人重识别方法包括如下步骤：步骤一、将图像原始数据集输入数据生成模块，获取不同风格的统一姿态图像；步骤二、将不同风格的统一姿态图像输入分类识别模块，进行分类识别；步骤三、输入查询图像，提取图像特征，与图像库中的图像特征进行相似性度量，进而完成行人重识别；该结合风格变换与姿态生成的行人重识别方法，同时考虑风格和姿态的相关因素，消除相机间的差异以及姿态之间的变化，学习更泛化的行人重识别网络。为了能够同时学习身份敏感和视觉敏感信息，本文将风格和姿态信息相结合，生成的扩充训练数据集将两者同时保留，具有多样性信息，学习更鲁棒的行人特征，增强网络的泛化能力。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种结合风格变换与姿态生成的行人重识别方法。

背景技术

作为智能监控网络技术中一项重要分支，行人重识别技术得到越来越多的关注与研究。行人重识别是一个跨摄像机检索任务，即给定一个要查询的行人，它的目标是从多个摄像机收集的数据库中检索出同一个行人。行人重识别技术是安防、行人和车辆追踪等领域的基础，是构建平安城市、智慧城市的重要环节。

然而由于多个相机收集图像，不同的分辨率和环境光照以及角度差异会使行人的外表和背景发生变化，导致同一身份因外表变化被识别为不同行人，而不同身份因姿态相同识别为同一行人。面临相机分辨率、光照、背景遮挡以及姿态变化这些挑战所导致的行人特征判别性低、鲁棒性差，为了消除这些挑战带来的影响，因此需要进一步研究新的行人重识别方法。

针对在实际应用中不同时间和空间摄像机不断变化以及训练数据中行人姿态存在差异这一问题，现有的研究大多基于生成对抗网络(GAN)学习在不同摄像机下具有不变性的稳定特征表示。在行人重识别中采用GAN来进行数据增广，主要利用GAN解决行人重识别中数据量较少的问题。通过姿态转换框架，从具有丰富人体姿势变化的数据集MARS中提取姿势(即骨架)，然后基于GAN模型在新姿势中生成样本，消除了姿势对人的外观的影响。利用CamStyle从相机风格适应的角度进行数据增强，平滑相机风格的差异降低卷积网络过拟合的影响。

现有的典型方法虽然通过GAN解决了数据缺少以及相机风格差异或者姿态变化的问题，但使用GAN生成的数据缺少多样性，训练的模型没有足够好的泛化能力。且单独消除姿势对人的外观影响时，忽略了因相机变化的存在导致的外表和背景变化问题；消除相机风格差异时，忽略了目标域中潜在的正样本对，可能导致行人重识别模型对目标域中的其他特征敏感，例如姿势和背景变化。

发明内容

为了更好地解决现有行人识别方法所存在不足，本发明设计提出一种结合风格变换与姿态生成的行人重识别方法，包括如下步骤：

步骤一、将图像原始数据集输入数据生成模块，获取不同风格的统一姿态图像；

步骤二、将不同风格的统一姿态图像输入分类识别模块，进行分类识别；

步骤三、输入查询图像，提取图像特征，与图像库中的图像特征进行相似性度量，进而完成行人重识别。

进一步的，所述步骤一、将图像原始数据集输入数据生成模块，获取不同风格的统一姿态图像的具体过程是：

S201、输入图像原始数据集至风格转移模块，通过风格转移学习，输出具有不同相机风格的多张图像；

S202、输入图像原始数据集至姿态估计模块，通过AlphaPose进行姿态估计，提取出8种标准姿态骨架；

S203、将不同风格的图像与姿态骨架输入DCGAN网络，输出具有不同风格的统一姿态图像。

进一步的，所述步骤二、将不同风格的统一姿态图像输入分类识别模块，

进行分类识别的具体过程是：

S301、基于扩充的训练数据集训练分类识别网络，训练完成后，去掉网络模型的全连接层和分类器；