[发明专利]一种行人图像特征分类方法和系统

摘要

本发明提供一种行人图像特征分类方法和系统，方法包括对样本数据集中的行人图像样本进行数据扩充；对扩充后的样本数据集中的行人图像样本进行分组，得到多个行人样本组；对样本进行选取，搭建多通道卷积神经网络，通过多通道卷积神经网络对每个样本数据分别进行全局特征和局部特征提取；设置损失函数，计算多通道卷积神经网络的损失值优化多通道卷积神经网络；通过优化后的多通道卷积神经网络分别对各个全局‑局部特征进行特征分类，得到各行人样本组的特征分类。本发明将样本数据进行扩充，满足了三重损失对输入样本要求严格的条件，使用多重损失来优化多通道卷积神经网络更能保证鲁棒性，适用于多个场景进行行人图像特征的处理。

主权项

一种行人图像特征分类方法，其特征在于，包括：步骤S1：对样本数据集中的行人图像样本进行图像镜像处理来扩充样本数据集；步骤S2：对扩充后的样本数据集中的行人图像样本进行分组，将属于同一行人的行人图像样本和镜像图像划分为相同的样本组，得到多个行人样本组；步骤S3：从一行人样本组中选取行人图像样本或镜像图像作为第一正样本或第二正样本，从另一行人样本组中选取行人图像样本或镜像图像作为负样本，将第一正样本、第二正样本和负样本作为输入组；步骤S4：搭建多通道卷积神经网络，通过所述多通道卷积神经网络对所述输入组中每个样本数据分别进行全局特征和局部特征提取，并将提取的全局特征和局部特征分别进行特征拼接，得到第一正样本的全局‑局部特征A、第二正样本的全局‑局部特征B和负样本的全局‑局部特征C；步骤S5：在多通道卷积神经网络中设置损失函数，依次将第一正样本的全局‑局部特征A、第二正样本的全局‑局部特征B和负样本的全局‑局部特征C输入损失函数中，利用损失函数计算多通道卷积神经网络的损失值，再根据损失值优化多通道卷积神经网络；步骤S6：通过优化后的多通道卷积神经网络分别对全局‑局部特征A和全局‑局部特征B以及全局‑局部特征A和全局‑局部特征C进行特征分类，得到各行人样本组的特征分类。