[发明专利]一种结合图卷积神经网络的行人属性信息提取与重识别方法

说明书

本发明提出了一种结合图卷积神经网络的行人属性信息提取与重识别方法。该方法针对行人重识别由于图像分辨率低、视角变化、姿态变化、光线变化以及遮挡等原因带来的识别准确率低的问题提出了改进方法，该方法首先将输入的行人图像依据人体骨骼点对人体区域进行划分，然后运用图卷积神经网络DIFFPOOL方法对划分的人体区域进行信息提取与分类，最终得到行人属性信息与识别结果，其中运用到的“超级源节点”方法能够使区域特征有效聚合，增强了行人识别的判断依据，有效提升了行人重识别准确率。本发明主要增强了传统行人重识别方法对人体区域信息的提取能力以及改善了传统方法中繁琐的人体部件对齐策略。本发明设计合理，能够利用图卷积神经网络轻量、高效的信息分类能力来提升行人属性信息提取与重识别能力，使行人重识别的结果更加准确。

技术领域

本发明属于在复杂视频环境下的图像处理和分析范畴，是许多监控和安防应用中的主要任务，更具体地说是涉及一种结合图卷积神经网络的行人属性信息提取与重识别方法。

背景技术

行人重识别(person re-identification)是近几年智能视频分析领域兴起的一项新技术，属于在复杂视频环境下的图像处理和分析范畴，是许多监控和安防应用中的主要任务，行人重识别是指在已有的可能来源于非重叠摄像机视域的视频序列中识别出目标行人。因此研究该问题对公共安全和刑侦有着非常重要的现实意义。

行人重识别目前主要面对的问题是由于图像分辨率低、视角变化、姿态变化、光线变化以及遮挡等原因带来的识别准确率低，以及对于深度学习方法，现有数据集相对较小。目前行人重识别算法大致可分为基于特征描述的方法和基于距离度量学习的方法两类。基于特征描述的方法关注的是找到较好的描述行人外貌特征的表观模型，基于度量学习的方法关注的是找到有效的行人特征相似度的度量准则。

行人重识别常用的数据集有CUHK03、Market1501、DukeMTMC-reID、MSMT17等。行人重识别的数据集是通过人工标注或者检测算法得到的行人图片，数据集分为训练集、验证集、Query和Gallery，在训练集上进行模型的训练，得到模型后对Query与Gallery中的图片提取特征计算相似度，对于每个Query在Gallery中找出前N个与其相似的图片，在训练、测试中人物的身份是不重复的。

针对当前行人重识别的痛点，目前较好的解决方式主要从对行人图像局部和整体信息的融合，通过不同方法使身体各部分之间对齐，达到识别准确率的提升。比如传统的行人重识别方法中，在2018年Yifan Sun等人提出了Part-based Convolutional Baseline(PCB)网络。即输入一张图片，能够输出若干个part-level features。同时提出了“部分精炼池化”策略(refined part pooling(RPP))。考虑到均匀分片会导致每片中包含极端值，这些极端值实际上和其他片更相似。RPP网络重新分配这些极端值到它相似的片段，使得每片的内容一致性更好。实验验证了PCB+RPP的效果达到当时较好的水平。

在2019年Houjing Huang等人对PCB方法进行了改进，提出了Part AlignedPooling(PAP)方法，同时验证了部件对齐在跨域ReID中的作用。提出了部件对齐池化、源域图片部件分割约束机制，显著提高了模型的泛化性能，同时提出的目标域图片分割约束起到了有效的领域自适应作用，此方法相对于PCB+RPP方法精度有了显著提升。

为了实现行人属性信息提取，同时更好的提升行人重识别准确率，本文发明了一种结合图卷积神经网络的行人属性信息提取与重识别方法，通过对输入的行人图像进行有效的细节特征提取来使重识别结果更加的准确。

发明内容

本发明的目的在于克服现有的行人重识别困难，提供了一种结合图卷积神经网络的行人属性信息提取与重识别方法，该方法利用图卷积神经网络对信息高效的提取和分类能力，实现提取行人属性信息以及提升行人重识别准确率。

本发明提出的一种结合图卷积神经网络的行人属性信息提取与重识别方法，包括以下三个模块：