[发明专利]一种基于整体和局部深度特征融合的行人再识别方法

说明书

本发明实施例公开了一种基于整体和局部深度特征融合的行人再识别方法，该方法包括：构建局部特征目标网络和整体特征目标网络；把训练行人图像子区域对输入局部特征目标网络，得到局部特征学习模型；把测试行人图像子区域输入局部特征学习模型，得到子区域特征向量；把训练行人图像整幅输入整体特征目标网络，得到整体特征学习模型；把测试行人图像整幅输入整体特征学习模型，得到整体特征向量；将子区域特征向量和整体特征向量组合形成最终特征表示，计算该行人图像与训练图像的相似度，得到行人识别结果。本发明充分利用深度学习的优势，挖掘行人图像的局部特征和整体特征，最终结合两种特征形成图像的特征向量，提高了行人再识别的匹配正确率。

技术领域

本发明属于模式识别、人工智能领域，具体涉及一种基于整体和局部深度特征融合的行人再识别方法。

背景技术

随着计算机技术的发展，公共场所安装了大量的监控设备。人工操作难以在大量的监控数据中提取有效信息，利用计算机解决此问题已经成为必然趋势，因此近年来行人再识别技术被广泛关注。但是由于真实场景中行人外观、姿态以及外界环境的光线和拍摄角度变化较大，使得行人再识别技术面临着很大的挑战。

为了提高计算机对行人再识别的匹配正确率，经过多年的研究，人们提出了多种有效的方法。在特征表示方面，Gray等人提出了局部特征集合(Ensemble of LocalFeatures，ELF)。Liao等人提出了局部最大共生特征(Local Maximal Occurrence，LOMO)。在度量学习方法，Zheng等人提出了概率相对距离比较算法(Probabilistic RelativeDistance Comparison，PRDC)。Liao等人提出了一种交叉视角的二次性判别分析度量方法(Cross-view Quadratic Discriminant Analysis，XQDA)。

目前很多研究者将深度学习算法应用到行人再识别领域，并且取得了不错的效果。Xiao等人训练了一个分类模型并且提出了弃权函数来处理大量的类别。Zheng等人联合了分类摸型和验证模型，并且同时利用三个损失函数训练网络。Yi等人把一幅图像分为三个水平子区域，用子区域同时训练三个网络。Zheng等人提出利用生成式对抗网络产生标签，取得了较好的实验效果。深度学习方法已经达到了比较好的效果，大部分方法都是利用整幅图像作为输入提取整体特征，同时也有一些方法提取了局部特征，但都没有充分的挖掘出图像的特征表示方法。

发明内容

本发明的目的是要解决行人的整体特征或局部特征在深度学习中未被充分利用的技术问题，为此，本发明提供一种基于整体和局部深度特征融合的行人再识别方法。

为了实现所述目的，本发明提出的一种基于整体和局部深度特征融合的行人再识别方法包括以下步骤：

步骤S1，对预训练网络进行初始化，构建提取局部特征的局部特征目标网络；

步骤S2，把训练集的行人图像分别划分为n个水平子区域，对应位置的子区域为子区域对，把子区域对输入到所述局部特征目标网络中，得到局部特征学习模型；

步骤S3，把测试集的行人图像同样地划分为n个水平子区域，把每个子区域输入至所述局部特征学习模型中，得到子区域的特征向量p_i(i＝1,2,…n)，其中，p_i(i＝1,2,…n)表示第i个子区域的特征向量；

步骤S4，对预训练网络进行初始化，构建提取整体特征的整体特征目标网络；

步骤S5，基于构建的整体特征目标网络，把训练集的行人图像整幅输入至所述整体特征目标网络中，得到整体特征学习模型；

步骤S6，基于所述整体特征学习模型，把测试集的行人图像整幅输入至所述整体特征学习模型中，得到行人图像的整体特征向量B；