[发明专利]基于贝叶斯优化技术的行人重识别方法、装置和系统

说明书

本发明提出了一种基于贝叶斯优化技术的行人重识别方法、装置和计算机系统，所述方法包括应用深度目标检测算法对视频中的行人图像数据集进行检测，得到待提取特征的所有行人图像数据；对检测到的所有行人图像数据进行深度特征提取，得到视频中行人的所有特征值数据，从而建立检索特征数据库；输入待查询图片并对该图片进行深度特征提取，得到待检索图像特征值，将所述待检索图像特征值与所述检索特征数据库中的所有特征值进行欧式距离计算并排序，输出排序结果。通过本发明的方案通过对现有技术的改进，提高了现有模型精度，这样既保证推理速度，又提高了检索精度。

技术领域

本发明涉及视频监控技术领域，特别涉及一种基于贝叶斯优化技术的行人重识别方法、装置和计算机系统。

背景技术

行人重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，广泛被认为是一个图像检索的子问题。跨镜追踪技术ReID，简而言之，就是在不同的摄像设备(如监控摄像头，手机摄像头等)下将多人(最多可能到几千人)的场景拍摄下来，将不同的场景下出现的同一个人识别出来。ReID与人脸识别的主要不同是人脸是用来认证一个人的身份，而行人ReID是将同一个人在不同的摄像设备下对应起来，而不需要知道那个人的真实身份。给定一个监控行人图像，检索不同位置不同监控设备下的该行人图像。该技术是视频安全监控领域的核心技术，具有行人识别、检索和跟踪等重要应用。该任务的主要挑战在于人体遮挡严重、姿态和光线变化大等。

近年来，随着行人重识别研究的深入，利用深度神经网络(DCNN)的方法取得了较好的效果。这些方法主要分成两类：第一种直接提取人体全身模型；第二种对人体局部特征进行分别处理再集成成局部模型。第一种方式模型参数量小，推理速度快，但是检索精度一般；第二种方式在行人重识别领域中取得目前最先进的性能，但是模型参数量巨大，使得特征推理和检索时的计算复杂度和时间大大提升。由于现实应用的安全监控场景中存在大量视频数据，第二种方式由于计算复杂度高、相应的硬件成本高，很难满足现实中实时处理需求。

发明内容

为解决上述技术问题，本发明提出了一种基于贝叶斯优化技术的行人重识别方法、装置和计算机系统，通过本发明的方案通过对现有技术的改进，提高了现有模型精度，这样既保证推理速度，又提高了检索精度。

根据本发明的一个实施例，本发明提供了一种基于贝叶斯优化技术的行人重识别方法，所述方法包括，

步骤S1、应用深度目标检测算法对视频中的行人图像数据集进行检测，得到待提取特征的行人图像数据；

步骤S2、对检测到的行人图像数据进行深度特征提取，得到视频中行人的所有特征值数据，从而建立检索特征数据库；

步骤S3、输入待查询图片并对该图片进行深度特征提取，得到待检索图像特征值，将所述待检索图像特征值与所述检索特征数据库中的所有特征值进行欧式距离计算并排序，输出排序结果。

优选的，所述步骤S1具体包括，

步骤S11、通过行人相关监控视频采集行人检测原始数据源，其中，所述监控视频以至少5fps保存为图片；

步骤S12、利用深度目标检测算法对原始数据源图片中的每一帧图像进行检测，得到待提取特征的所有行人图像数据。

优选的，所述深度目标检测算法包括Faster-RCNN算法，或者，SSD目标检测算法。

优选的，所述步骤S2具体包括，

步骤S21、构建前向传播的深度卷积神经网络，用如下公式表示：