[发明专利]一种基于人体骨骼相互学习的行人再识别方法

说明书

本发明涉及一种基于人体骨骼相互学习的行人再识别方法，包括：(1)采用自下而上的方法估计行人姿势和骨架，并在此过程中标记行人的关节点，使用关节点分割法进行局部分割行人并执行局部块匹配；(2)通过自下而上方法以行人2D骨架为基础估计所述关节点距离来学习全局骨架信息，并执行全局骨架匹配；(3)采用基于生物特征的局部块匹配和整体骨架匹配进行相互学习，并分别训练分类损失和度量损失，将得到的相互学习损失分摊到全局特征匹配中，作为先验经验来指导和纠正全局匹配错误。与现有技术相比，本发明具有影响因素少、局部匹配准确性提升、识别准确率更高等优点。

技术领域

本发明涉及一种行人再识别方法，尤其是涉及一种基于人体骨骼相互学习的行人再识别方法。

背景技术

行人再识别是在非重叠摄像机上进行人员匹配时所要面对的问题，近年来由于其在实施自动化监测系统方面的重要性，越来越受到关注。在许多应用程序，例如跨摄像机跟踪和行人搜索中，基于外观信息从一组人中识别一个人是可取的。不过由于低分辨率、运动模糊、视图以及个体外观光照的变化，构建适应不同相机条件的差异化表示是非常具有挑战性的，因此在多摄像机系统中，非重叠摄像机视图的匹配越来越受到人们的关注。比如一个人在被多个互不重叠的摄像头覆盖的公共空间的大范围内的行为，当这个人从一个视图中消失时，他/她可以在另一个视图同样的一群人中被识别出来。虽然计算机视觉研究人员在过去的十年中已经做出了最大的努力，但是人的再识别问题在很大程度上仍然没有得到解决。特别是在一个由远程摄像头监控的繁忙环境中，依靠面部和步态等生物特征对人进行身份验证是不可靠的。

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人体骨骼相互学习的行人再识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于人体骨骼相互学习的行人再识别方法，所述方法包括以下步骤：

(1)采用自下而上的方法标记行人的关节点，得到行人姿势和2D骨架；

(2)使用关节点分割法进行局部分割行人并执行局部块匹配；

(3)估计所述关节点距离来学习全局骨架信息，执行全局骨架匹配；

(4)采用基于生物特征的局部块匹配和整体骨架匹配进行相互学习，并分别训练分类损失和度量损失，将得到的相互学习损失分摊到全局特征匹配中，作为先验经验来指导和纠正全局匹配错误。

所述标记行人关节点的方法是将图像输入到CNN网络框架中，利用深度学习神经网络和卷积运算对单个彩色地图进行检测，输出人体各关节点的热点图，并用峰值来表示关节点的位置。

所述关节点分割法是在对行人进行二维位姿估计时，将行人分成15个固定大小的局部小块，然后逐个计算出15个局部小块之间的距离，最后计算出整体相似度，进行局部块匹配。

使用Mahalanobis距离函数测量两组受试者相对应局部块之间的距离，具体为：

其中，x_i为矩阵x的第i个元素，y_j为矩阵y的第j个元素，d_M(x_i,y_j)为矩阵x与矩阵y之间的距离，为矩阵(x_i-y_j)的2-范数，(x_i-y_j)^T为矩阵(x_i-y_j)的逆矩阵，M(x_i-y_j)为正定矩阵M与矩阵(x_i-y_j)的乘积；

然后计算出15个部分块的平均度量距离，并与相似度评分进行比较，如果平均测量距离和相似度一致，则局部匹配结果正确，输出，否则，再次进行局部匹配，直到平均测量距离和相似度相同。