[发明专利]一种基于不确定性优化的行人再辨识方法

说明书

本发明涉及计算机视觉领域，采用深度学习框架，更具体地，本发明涉及一种基于不确定性优化的行人再辨识方法，包括以下步骤：1)使用孪生网络结构，将两个属于相同或不同行人的原始图像分别作为两个同构网络的输入；2)使用inception网络和Dropout层叠加的方式，用来实现不确定性优化的贝叶斯卷积神经网络作为特征提取网络；3)根据孪生网络的特征输出，计算二分类损失和各自网络的多分类损失，叠加后用于网络的反向传播和参数优化；4)将待辨识行人图像和所有比对图像输入训练好的模型，提取图像特征；5)利用欧式距离计算公式，获取待辨识行人图像和比对图像之间的最终距离；6)根据特征相似度距离进行排序，获取与待辨识行人对应的对比图像匹配排序。与现有技术相比，本发明具有在全部样本和少样本下都具有高准确性、高鲁棒性、快速简便等优点。

技术领域

本发明涉及计算机视觉领域，采用深度学习框架，更具体地，本发明涉及一种基于不确定性优化的行人再辨识方法。

背景技术

行人再辨识是智能视频分析突破海量监控视频技术应用瓶颈的关键一环，在最近几年引起了众多研究学者的关注。行人再辨识是指在不同时间以及不同摄像头下对同一个行人目标进行匹配行人再辨识是一个非常具有挑战性的研究问题。实际生活中的大规模视频监控网络系统，环境、设备的复杂性和不可预计性会给行人再辨识的实现带来各种各样的不确定性。其一，不同摄像头由于硬件条件、参数等不同，所拍摄的视频图像质量也存在着差别。这种硬件设备自身的不确定性，要求行人再辨识技术具有非常强的鲁棒性，以适用于不同硬件设备所拍摄的不同质量的视频。其二，每台监控摄像头所面对的场景信息各异，所处位置、光照条件、天气条件等都存在不确定因素，这也给行人再辨识带来困难。如在白天光照条件良好的情况下，摄像头所拍摄的视频一般较为清晰、色彩分明，有利于行人视频图像的智能分析；而在夜晚光照条件不足的情况下，大部分监控摄像头所拍摄的行人视频图像都存在噪点多、色彩单一的问题，难以进行快速准确的智能分析和匹配。因此，场景的不确定性，也是在设计行人再辨识技术时需要考虑的问题。其三，行人自身也存在诸多不确定性，使得行人再辨识难度进一步加大。举例来说，行人的着装是行人再辨识中最重要的判断依据之一，但着装存在众多人为的不确定因素，包括脱去外套、挽起袖子等等。同样，行人的步态、是否背包、是否下蹲等也都是影响行人检测准确率的不确定因素。这些实际生活中大规模视频监控网络系统存在的诸多不确定性，是影响行人再辨识准确率的主要因素，也是在行人再辨识技术中需要着重解决的问题。

近年来，随着深度学习技术的迅速发展，行人再辨识的主流研究已从传统的特征表示和度量学习方法向基于深度学习的端到端行人再辨识方法转移，该类方法可对行人目标进行多层次的特征表达，从而更好地对行人图像进行描述。然而，在基于深度学习的行人再辨识方法中，仍存在许多不确定性的干扰因素，主要包括：样本不确定性，结构不确定性，模型参数不确定性以及模型预测置信度的不确定性。

专利CN 106897669A提出了一种基于迭代多视角迁移学习的行人再辨识方法，基于外观特征提取鲁棒的特征描述符，基于度量学习构造相似性度量函数。采用迁移学习解决样本分布不一致问题。但是该方法将行人再辨识拆解为两个独立的过程，没有端到端的模型，面对如今海量数据，在大规模行人再辨识数据集上难以实现。

专利CN 107729805A提出了一种用于行人再识别的神经网络和基于深度学习的行人再识别算法。使用端到端的神经网络模型进行行人特征提取和匹配。但是该方法没有考虑到行人再辨识过程中的过拟合问题和不确定性问题，深度学习中的样本、参数、结构不确定性都会对行人再辨识结果造成较大的负面影响，尤其当行人样本数量较少时，识别率较低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于不确定性优化的行人再辨识方法。

本发明的目的可以通过以下技术方案来实现：

一种基于不确定性优化的行人再辨识方法，包括以下步骤：

1)使用孪生网络结构，将两个属于相同或不同行人的原始图像分别作为两个同构网络的输入；