[发明专利]一种基于聚类算法的行人重识别方法和装置

说明书

本发明公开了一种基于聚类算法的行人重识别方法和装置，该行人重识别方法包括：S1：对不同场景下的每一个行人的行人特征进行提取；S2：根据场景的数量以及每一个场景中行人的数量建立一个二维矩阵；S3：根据建立的二维矩阵，获得不同场景下行人特征的二维距离矩阵；S4：对二维距离矩阵进行密度聚类，输出距离小于预设阈值的特征集合；输出的每一个特征集合为一个行人在不同场景下的行人特征；S5：将输出的特征集合标注在对应的场景中，获得同一行人在不同场景中的位置。本发明能够在多个场景下对同一行人进行特征重识别，能够在不指定行人特征数目的情况下通过聚类的方法，识别出重复出现的行人特征。

技术领域

本发明涉及计算机技术领域，特别涉及一种基于聚类算法的行人重识别方法和装置。

背景技术

随着人工智能技术和深度学习框架的普及，行人重识别越来越成为计算机视觉领域中的极富有挑战性的话题。

在现有的技术中，大致可分为两种方法，一种是基于颜色区域特征的行人重识别的方法，从视频图案中裁取出目标矩形作为输入图像，经前景提取和在线聚类提取到颜色区域，再将颜色区域的统计特征作为局部特征应用于人物重识别；另一种是时空约束的监控视频行人重识别结果的二次优化方法，采用基于人体外貌视觉特征的行人重识别算法，得到初始识别的结果，在通过视频帧中提起的时间序列参数，计算机视觉匹配概率，路径匹配概率及二者联合概率，选择联合概率最大的路径下的行人图像输出。

但是，基于颜色区域特征的行人重识别的方法，是以行人本身衣服颜色作为主要对比对象，这也就产生了对于多场景下颜色相近的行人重识别不够明显的问题，对于行人的性别、年龄、发型、是否佩戴眼镜、是否携带包等等这些特征都会欠缺考虑，另外对于同一行人在行进途中服装颜色的更换问题也不能解决；而时空约束的监控视频行人重识别结果的二次优化方法，要求图像输入过程首先要标注上时间，对于时间节点分散的图片会识别不出，其次对于空间也提出了要求，需要预先知道行人路径，再按照时间顺序进行排序。

发明内容

本发明实施例提供了一种基于聚类算法的行人重识别方法和装置，能够在多个场景下对同一行人进行特征重识别，能够在不指定行人特征数目的情况下通过聚类的方法，识别出重复出现的行人特征。

第一方面，本发明实施例提供了一种基于聚类算法的行人重识别方法，该行人重识别方法包括：

S1：对不同场景下的每一个行人的行人特征进行提取；

S2：根据场景的数量以及每一个场景中行人的数量建立一个二维矩阵；

S3：根据建立的二维矩阵，获得不同场景下行人特征的二维距离矩阵；

S4：对二维距离矩阵进行密度聚类，输出距离小于预设阈值的特征集合；输出的每一个特征集合为一个行人在不同场景下的行人特征。

优选地，在步骤S4之后还包括：

将输出的特征集合标注在对应的场景中，获得同一行人在不同场景中的位置。

优选地，步骤S1中提取的行人特征包括行人的坐标、性别、肤色、年龄、发型、是否佩戴首饰、手否佩戴包及其种类、是否佩戴帽子及其种类、是否佩戴眼镜、是否携带雨伞、是否佩戴面具中的一种或多种。

优选地，步骤S3的具体过程包括：

根据建立的二维矩阵，将行人特征放入矩阵中成为二维矩阵的元素；

计算每个元素中两个行人特征的距离，并将计算结果存入该二维矩阵获得二维距离矩阵；

其中，将两个同一场景中的行人特征之间的距离默认为无限大。