[发明专利]基于多尺度特征学习和特征分割的行人重识别方法

说明书

一种基于多尺度特征学习和特征分割的行人重识别方法，主要解决现有技术中仅有两种尺度带来的表征性差和利用人体部位识别提取人体特征不准确造成误差的问题。本发明的具体步骤如下：(1)构建多尺度特征学习模块；(2)构建特征分割模块；(3)构建特征学习网络；(4)对包含行人的视频进行预处理；(5)训练特征学习网络；(6)计算特征距离；(7)获得匹配图像；本发明利用多尺度特征学习模块提取行人图像多尺度特征，利用特征分割模块提取全局特征和粗细两种粒度的局部特征，所提特征可区分性好，鲁棒性高，使行人重识别达到较高的精度。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像识别技术领域中的一种基于多尺度特征学习和特征分割的行人重识别方法。本发明可用于对不同摄像头不同角度的监控视频得到的行人图像是否为同一行人进行识别。

背景技术

随着当今社会的不断发展，社会公共安全成为人们关注的热门话题，在公共领域安装了大量的监控摄像头，每天产生海量的视频数据，对这些数据进行智能化分析成为一个热门的研究课题。行人重识别是通过将某个出现在摄像头下的目标行人，与监控网络中其他摄像头下的所有行人比对，将目标准确迅速地标识出来，找到所有摄像头下的所有目标行人图像，进而可以实现对目标行人跨摄像头的追踪和定位。行人重识别是通过行人图像间的比对来判断是否是同一个行人目标来实现，但是由于不同摄像头的角度不同，监控场景复杂，背景和光照各异，所得到的行人的姿态、外观等也有较大差异；再加上行人之间或者行人与其他物体之间不同程度的遮挡等，都给行人重识别带来巨大挑战。

上海交通大学在其申请的专利文献“一种多尺度特征融合的行人比对方法”(专利申请号：201410635897.5，申请公布号：CN104376334A)中提出了一种多尺度特征融合的行人比对方法。该方法的实现步骤为：建立行人集合；利用低尺度图像，提取颜色和轮廓特征，级联并融合得到低尺度特征；对低尺度特征进行半监督SVM学习，进行第一次行人比对筛选，得到候选行人集；利用高尺度图像，采用基于局部特征点的比对算法，计算筛选出的候选行人集合中的各行人与目标行人间的相似度；将两个尺度上的行人相似度大小进行叠加，得到筛选的候选行人集中最终候选行人的排序结果。该方法存在的不足之处是，仅提取了手工设计的高低两种尺度特征，尺度较少，表征性差，手工设计的特征普适性不高，容易错失目标。

中国计量学院在其申请的专利文献“基于迁移学习的行人重识别方法”(专利申请号：201510445055.8，申请公布号：CN105095870A)中提出了一种基于迁移学习的行人重识别方法。该方法实现的步骤是：行人前景分割、行人特征提取、源域模型学习、目标域迁移学习、行人距离度量；该方法首先采用GrabCut算法选取出视频中的行人目标；再利用人体对称模型将人体分为头、左右上肢、左右腿五个区域并提取颜色、边缘、纹理特征；利用源域的行人数据训练优化一个神经网络模型；在此模型参数基础上，利用目标域数据迁移学习；最后使用经目标域改进的神经网络模型进行行人比对，得到行人距离度量的排序，最终得出行人重识别结果。该方法存在的不足之处是，视频监控中行人姿态各异，利用人体对称模型识别人体部位的准确性难以保证，提取的人体头、四肢等区域特征不精确，所带来的误差导致行人重识别结果精度低。

发明内容

本发明的目的在于针对上述现有技术的不足，提出基于多尺度特征学习和特征分割的行人重识别方法。

实现本发明目的的思路是，构建一个多尺度特征学习网络，以提取行人图像多尺度特征，构建特征分割模块，利用此模块进一步提取不同尺度下特征的全局和粗细两种粒度的局部特征，并自适应融合所有尺度下的全局和粗细粒度的局部特征，使提取的特征更具可区分性，更具鲁棒性，以提高算法精度。

本发明的具体步骤包括如下：

(1)构建多尺度特征学习模块：