[发明专利]图像特征提取方法、行人重识别方法、装置和计算机设备

说明书

本申请涉及一种图像特征提取方法、行人重识别方法、装置和计算机设备。其中图像特征提取方法通过构建自适应选择卷积核形状的基本模块，并基于串联的多个基本模块得到深度学习的特征提取网络模型；进而通过行人样本图像集采用前向传播算法训练该深度学习的特征提取网络模型，直到模型参数收敛；并采用训练后的深度学习的特征提取网络模型扫描输入图像，使得输入图像依次经过串联的多个基本模块，进行特征映射后得到该输入图像的具有较强判别性的特征向量。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种图像特征提取方法、行人重识别方法、装置和计算机设备。

背景技术

随着人工智能技术的发展，越来越多的繁琐工作被机器所取代，比如Re-id(行人重试别)任务作为计算机视觉中的一个重要分支，在智慧城市、智慧交通等领域存在广泛应用。在这类任务中，一个移动目标可能先后出现在不同的摄像头中，该目标可以是一个人或是一辆车，通常需要利用计算机视觉的相关方法来判断不同摄像头中的两个目标是否属于同一个目标。

而深度学习作为人工智能领域一个重要的分支，在图像和语音识别等领域已取得巨大的成功。其中，神经网络作为深度学习中的重要工具，已广泛应用于高校和企业中。截止目前，神经网络主要包含两种：卷积神经网络和循环(递归)神经网络，而前者主要应用于图像识别，后者主要应用于语音领域。

因此，将深度学习应用于Re-id任务是目前的一种主流方法，一般通过对图片中的判别性特征进行提取来实现Re-id任务，而现有提取判别性特征的方法主要包括以下几种：(1)通过常规的神经网络结构，包括ResNet、GoogleNet等，实现特征提取；(2)通过对输入图片的等分，并对每个部分单独提取具有判别性的特征；(3)设计新的网络结构，包括全尺度神经网络，实现单层卷积下的多尺度特征输出。但上述方法在提取特征的过程中，大部分采用的是常规的网络结构，在设计网络的过程中，忽略了图片本身的特点，从而导致提取的特征判别性不强，影响了Re-id的识别精度。

发明内容

基于此，有必要针对上述传统技术提取的特征判别性不强的问题，提供一种能够提高特征判别性的图像特征提取方法、行人重识别方法、装置和计算机设备。

为了实现上述目的，一方面，本申请实施例提供了一种图像特征提取方法，所述方法包括：

构建自适应选择卷积核形状的基本模块，基于串联的多个基本模块得到深度学习的特征提取网络模型；

基于行人样本图像集，采用前向传播算法训练深度学习的特征提取网络模型，直到模型参数收敛；

采用训练后的深度学习的特征提取网络模型扫描输入图像，其中，输入图像依次经过串联的多个基本模块，进行特征映射后得到输入图像的特征向量。

第二方面，本申请实施例提供了一种行人重识别方法，所述方法包括：

获取目标图像和待检索图像集，其中，目标图像中包括目标行人；

根据上述的图像特征提取方法提取所述目标图像的第一特征向量和所述待检索图像集中每一个待检索图像的第二特征向量；

计算目标图像的第一特征向量和待检索图像集中每一个待检索图像的第二特征向量之间的欧式距离；

基于欧式距离生成对待检索图像集中的待检索图像的排序结果，以排序结果为行人重识别结果。

第三方面，本申请实施例提供了一种图像特征提取装置，所述装置包括：

模型构建模块，用于构建自适应选择卷积核形状的基本模块，基于串联的多个基本模块得到深度学习的特征提取网络模型；

模型训练模块，用于基于行人样本图像集，采用前向传播算法训练深度学习的特征提取网络模型，直到模型参数收敛；