[发明专利]基于特征强化引导卷积神经网络的行人再识别方法及装置

权利要求书

1.基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述方法包括：

1)收集行人图像数据并做好分类标签，并将分类后的行人图像数据分为训练集和测试集；

2)构建特征强化引导的卷积神经网络，其中，所述卷积神经网络包含双输入基本网络、主干卷积神经网络、特征强化引导模块；所述特征强化引导模块包括设定数量个子网络层，每一个子网络层均包含卷积层、ReLU激活层、BatchNorm标准化层组成的卷积单元、最大值池化层以及sigmoid层；

利用行人分割模型，对打上分类标签的行人图像数据进行人体区域扣取，获取对应的不含背景的人体掩码图片，并把每一张图像的掩码图片和所述图像作为图像对；

将图像对的集合中的若干图像对的集合作为训练集；将其余的图像对的集合作为测试集；

原始图片和对应的掩码图片秉性输入双输入基本网络；特征强化引导模块使用掩码图片的浅层特征自动学习引导主干神经网络的特征学习，具体为：特征强化引导模块的各子网络层分别通过sigmoid层自主学习生成人体部位特征增强的权重图， 自主选择人体的强化部位，并且分别与主干网络不同层次的特征映射做点乘，以达到持续引导整个网络的特征增强学习的设计目的；

3)将步骤1)中的训练集输入所述特征强化引导的卷积神经网络，训练得到行人再识别的预训练模型；

4)用步骤1)中的测试集测试步骤3)中训练得到的预训练模型，根据测试结果调整训练参数重新训练，并返回步骤3)，直至所述特征强化引导的卷积神经网络收敛，得到最佳预训练模型；

5)收集目标场景中的部分目标行人图像，并使用所述目标场景中的部分目标行人图像训练所述最佳预训练模型，得到目标模型，再使用所述目标模型对行人库中的图像进行特征比对，从而识别出目标行人，得到目标图像。

2.根据权利要求1所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述步骤1)包括：

将不同场景下的行人的视频监控数据作为行人图像数据来源，针对每一个行人，用行人检测方法抠取出包含同一行人的不同拍摄角度的行人图片，对每一个确定身份的具体行人图片进行分类，并打上标签；

对已分类的行人图片进行数据扩充，具体扩充手段包括：颜色直方图均衡化、水平镜像翻转、高斯模糊和添加随机噪声。

3.根据权利要求1所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述步骤5)包括：

使用所述目标模型对可能含有目标行人的图像目标特征向量提取；

计算所述目标特征向量与行人库中每一图片所含有的行人的特征向量的欧式距离，将欧式距离小于预设阈值所对应的图像作为目标图像。