[发明专利]基于群对称理论的行人重识别方法

说明书

本发明公开了一种基于群对称理论的行人重识别方法，包括：读入图像数据，进行图像数据前期处理；构建群残差网络ResGroupNet；所述群残差网络采用ResNet‑50网络作为主干网络；将归一化好的图像数据放入构建的群残差网络，进行训练；训练完数据后，进行特征提取，将提取的特征进行相似度排序并输出特征，根据输出特征检索出需要查找的人物。在主干网络中，我们使用了球面损失作为损失函数，在分支网络中，我们使用了三元损失作为我们的损失函数，最后将这两个损失函数进行加权求和的结果作为整个网络的损失函数。本发明所提出的基于群对称理论的行人重识别方法，利用群对称理论来高效且精确地检索出该人物的图片或者视频序列。

技术领域

本发明涉及一种行人重识别方法，特别涉及一种基于群对称理论的行人重识别方法，属于图像处理技术领域。

背景技术

视觉是人类获取外界信息最重要的方式之一，而监控设备是安防系统的“视觉”，如何有效利用和处理监控设备获取的信息对安防系统及人民财产安全有着极为重要的意义。

随着科技的进步、智慧城市等概念的兴起，相关技术的发展以及设备制造的成本下降，视频监控系统变得无处不在，因此就导致了监控数据成指数级增长。比如在公安机关调查取证过程中，依靠人力在海量的视频资源中查找犯罪嫌疑人的线索是一项非常耗时耗力的难题。

行人重识别技术是指建立不同的摄像头场景同一人物图像之间联系的一个过程。重识别技术在长期多摄像头视频监控和视频取证等领域都有着非常重要的应用。例如，给定犯罪嫌疑人的一幅图像或一段视频，利用重识别技术，公安人员可以快速地在视频监控网络中检索到犯罪嫌疑人的行动路线。此外，重识别技术在日常生活中也有应用前景。比如，我们可以利用重识别技术来寻找走失人员。因此，重识别技术的研究对于维护和提高我国的社会安全和稳定有着极为重要的意义。目前，行人重识别方法总体可分为三大类：(一)将卷积神经网络作为特征提取器；(二)将卷积神经网络作为度量模型；(三)使用生成对抗网络产生新的样本。

背景技术的缺陷：

上述基于卷积网络的方法主要分为两个步骤，一是特征提取，主要是利用卷积神经网络从原始图像中提取出其内部所蕴含的不变的特征；二是度量学习，主要是利用距离或者损失函数合理地度量这些输出特征之间的相似度。

最近有相关研究表明，神经网络的高层特征包含粗略的语义信息，其中层具有丰富的结构信息，而结构信息对像行人重识别这种精细识别任务来说非常重要。遗憾的是，之前大部分工作并没有好好利用这些结构信息。并且虽然行人重识别发展迅猛，但仍存在许多问题，比如行人图像的低分辨率、遮挡、行人姿势变化、拍摄视角变化和光照变化。

本发明的目的：

针对室外和室内的行人或人物监控视频或图片集，给定一张待查询人物的图片，本发明提出利用群对称理论来高效且精确地检索出该人物的图片或者视频序列。在骨干网络的中层，我们引出一个分支，这个分支是基于群对称理论实现的神经网络，用群论的知识来约束并表示主干网络中层的特征。最后输出特征，然后根据这些输出特征检索出我们需要查找的人物。

发明内容

针对现有技术的不足，本发明的主要目的在于提供一种基于群对称理论的行人重识别方法。

为实现前述发明目的，本发明采用的技术方案包括以下步骤：

步骤一：读入图像数据，进行图像数据前期处理；