[发明专利]一种基于不确定性估计的行人再识别方法

说明书

本发明涉及一种基于不确定性估计的行人再识别方法，属于行人再识别技术领域，包括步骤：获取待识别的原始图像序列，原始图像序列中的每一帧原始图像均包含同一行人；将原始图像序列输入至利用基于不确定性估计的行人再识别模型训练方法训练得到的行人再识别模型中，计算输出集合；使用不确定性估计集合对输出集合进行排序，选择不确定性估计最高的Δ个输出的标号，获得标号集合和选定输出集合；将选定输出集合中的所有输出与数据库中的样本计算距离，并分别匹配出距离最小的图像作为行人再识别的检索结果。本发明能够同时抑制输入图像中的区域噪声和随机噪声，降低噪声对于行人再识别模型性能的影响，提高模型的稳定性，提升行人再识别的准确率。

技术领域

本发明涉及行人再识别技术领域，特别是涉及一种基于不确定性估计的行人再识别方法。

背景技术

在行人再识别技术领域中，现有基于人工智能和深度学习的识别方法大多直接将识别到的行人候选框图像输入到卷积神经网络(Convolutional Neural Network，CNN)中提取深度特征，再计算候选框图像的深度特征与数据库中图像的深度特征在特征空间中的距离(如欧氏距离(Euclidean Distance)、马氏距离(Mahalanobis Distance)、余弦相似度(Cosine Similarity)等)，用于在数据库中检索与候选框图像相匹配的图像。同时，由于用于检索的输入图像是序列化的(即在视频序列中逐帧提取行人图像组合成序列，并作为检索匹配的输入图像序列)，序列中不同图像的质量不尽相同，需要对序列中的图像进行质量评估，并根据评估结果对匹配结果进行筛选。

行人再识别(Person Re-identification)是传统图像检索任务的子任务，主要是针对通过多个摄像头拍摄的行人照片进行识别匹配的过程。行人再识别技术主要用于安防监控、疑犯追踪、走失人口调查、城市交通规划等关系到社会民生的重要行业应用中。但是，由于环境问题(如障碍物遮挡、恶劣天气情况等)，以及摄像机成像问题(如成像模糊、摄像机抖动、摄像机系统噪声等)等因素的影响，通过摄像机获得的图像往往带有一定的噪声。这些噪声主要是由上述因素导致的。同时，数据采集问题(如训练集中的错误标签)也会为训练集带来一定的噪声。现有方法难以对含有上述噪声的图像进行正确检索，使得行人再识别模型性能降低，难以应用于实际场景中。

发明内容

环境问题、摄像机成像问题等因素会为摄像机拍摄图像带入噪声。这些噪声包括区域噪声(如遮挡等)和随机噪声(如模糊、摄像机系统噪声等)。同时，这些噪声是无法有效消除的。当噪声过大时，现有的行人再识别方法难以对含有上述噪声的图像进行正确检索，使得行人再识别模型性能降低，难以应用于实际场景中。基于此，有必要针对上述技术问题，提供一种基于不确定性估计的行人再识别方法。

为解决上述问题，本发明采取如下的技术方案：

一种基于不确定性估计的行人再识别模型训练方法，包括以下步骤：

步骤1：获取原始图像和初始化卷积神经网络参数；

步骤2：将所述原始图像按行分割成上下多个局部，得到分块图像；

步骤3：将所述分块图像的各个张量分别输入到卷积神经网络中，得到对应的局部特征；

步骤4：计算每一个所述局部特征对应的局部不确定性估计；

步骤5：根据各个所述局部特征和各个所述局部不确定性估计计算局部训练过程的第一损失函数；

步骤6：根据所述分块图像的各个张量和对应的所述局部不确定性估计计算精炼后图像；

步骤7：将所述精炼后图像输入到与步骤3中卷积神经网络共享参数的卷积神经网络中，得到整体特征；

步骤8：计算所述整体特征对应的整体不确定性估计；

步骤9：根据所述整体特征和所述整体不确定性估计计算模型输出；