[发明专利]一种抗姿态变化的行人重识别方法

说明书

一种抗姿态变化的行人重识别方法，属于计算机视觉和机器学习领域。本发明的具体步骤包括：利用行人检算法检测出行人包围框；人为定义行人的8种常见的姿态；利用行人姿态检测算法检测出人的姿态；基于姿态约束循环生成对抗网络的多姿态行人合成；对于合成的行人进行抗姿态变化的特征学习；最后进行行人重识别，与监控数据库中的行人特征进行相似度计算，输出重识别结果。本发明方法有效的提高重识别的性能，适用于监控、智能安保等实际应用。

技术领域

本发明涉及到计算机视觉和机器学习领域，具体提出了一种基于生成对抗学习的行人重 识别技术。

背景技术

行人重识别也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在 特定行人的技术。行人重识别的基本任务设定是：给定一个监控行人图像，检索跨设备下的 该行人图像。旨在弥补目前固定的摄像头的视觉局限，实现对跨场景、跨摄像头下的智能视 频人物分析与理解，能够广泛应用于监控、智能安保等领域。由于不同摄像设备之间的差异， 同时行人兼具刚性和柔性的特性，外观易受穿着、尺度、遮挡、姿态和视角等影响，使得行 人重识别成为计算机视觉领域中一个既具有研究价值同时又极具挑战性的热门课题。其中， 姿态变化是行人重识别场景中一个非常常见的问题。现有的行人重识别技术往往受到行人的 姿态变化而使得重识别的性能严重地降低。最近几年，生成对抗网络在图像生成、文本生成、 视频生成等数据生成方面取得了突破性的进展。因此，考虑使用生成对抗网络对同一个行人 生成其多种不同姿态下的合成行人图像，利用这些多种不同姿态下的行人来学习一种高效的 抗姿态变化的鲁棒式特征，对于行人重识别性能的提高有着非常重要的积极作用。

发明内容

本发明的主要目的在于提供一种抗姿态变化的行人重识别方法，该方法包括以下步骤：

步骤1：行人检测，对于给定的某一特定的包含行人的图像，利用行人检算法检测出行 人包围框；

步骤2：姿态定义，利用经验，人为地定义行人的8种常见的姿态；

步骤3：姿态检测，对于检测到的行人，利用行人姿态检测算法检测出人的姿态；

步骤4：基于姿态约束循环生成对抗网络的多姿态行人合成。利用提出的基于条件约束 式循环对抗生成网络模型，对于在姿态A下的行人，合成其姿态B的行人。反之对于姿态B 的行人，也可以将其合成为姿态A的行人；

步骤5：抗姿态变化的特征学习技术，对于每个合成的行人，利用深度残差学习网络学 习每个行人的特征向量，然后将其输出的特征进行串联得到行人的特征向量表示。

步骤6：行人重识别，输入一个行人图像或视频帧，利用抗姿态变化的特征学习技术学 习到其特征表示，与监控数据库中的行人特征进行计算其相似度，系统输出重识别检索结果。

该发明能够有效解决行人重识别任务中因行人姿态变化而引起的识别率下降问题，提升 行人重识别在视频监控、身份认证等应用中识别性能，为社会安全、智能视觉等领域提供有 效手段。

附图说明

图1是行人的8种姿态定义。

图2是条件约束式循环对抗生成网络模型框架。

图3是姿态合成示意图。

图4是同一行人在不同姿态下的生成结果图。

图5是提出的基于姿态约束式循环对抗生成学习的特征学习框架。

图6是行人重识别框架。

具体实施方式

下面结合附图，对本发明进行进一步详细的说明。

步骤1：行人检测。对于给定的某一特定的包含行人的图像，利用已有的行人检算法检 测出行人包围框，如rcnn算法、fast rcnn目标算法、DPM检测算法。