[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

说明书

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，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；3)将步骤1)中的训练集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，得到最佳预训练模型；5)使用目标场景中的部分目标行人图像训练最佳预训练模型，得到目标模型，再使用目标模型对行人库中的图像进行检测，得到含有目标行人的目标图像。应用本发明实施例，可以解决现有技术中存在的误差较大的技术问题。

技术领域

本发明涉及行人再识别领域，尤其涉及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。

背景技术

随着互联网科技的快速发展，安防监控以及智能机器人等对机器视觉技术的需求愈发迫切。在机器视觉科技的研究中，行人识别技术的成熟使得机器在辨别行人的能力上超过人类。然而摄像头并非在任何情况下都可以拍摄到清晰行人。而且，在实际中一个摄像头往往无法覆盖所有区域，而多摄像头之间一般也没有重叠。因此，用行人全身信息来对行人进行锁定或者查找就变得十分必要。通过将整体行人特征作为行人之外的重要补充，实现对行人的跨摄像头跟踪，这就是PRI(Person Re-Identification，行人再识别)技术，从字面意思理解就是对行人进行再次认证识别，是对不同的、没有视野重叠覆盖的摄像机拍摄的行人图像建立对应关系的处理过程。行人再识别识别技术具有易采集、非接触、友好等特点，易于被人接受。例如，公安部门在抓捕逃犯时，使用该技术可以通过监控视频快速追踪逃犯行踪，不仅极大提高工作效率，而且大大节省人力。另外，行人再识别强调的是使机器识别出由不同摄像机所拍摄的特定人员的所有图像。因此，在安防刑侦、目标检索、人员跟踪、人流控制等场景中有很高的应用价值。

目前，行人再识别的方法层出不穷，大都基于普通的卷积神经网络。它们的使用图片方块分块的方法，或是使用关键点辅助的行人特征提取的方法，等等，都取得不错的效果，其原理是，收集大量行人数据并制作标签，设计一种卷积神经网络开始训练模型。选取一张或者几张行人图像提取特征生成模板对待识别行人图像提取特征，比较待识别行人特征和模板特征，通过设定阈值来判断是否是目标行人。

但是，该技术没有解决背景干扰问题，对不同场景适应效果差，进而导致误差较大。

发明内容

本发明所要解决的技术问题在于提供了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，以解决现有技术中存在的误差较大的技术问题。

本发明实施例提供了基于特征强化引导卷积神经网络的行人再识别方法，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；

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。

可选的，所述步骤1)，包括：