[发明专利]一种煤层气井井场监控重识别技术

说明书

本发明提供一种煤层气井井场监控重识别技术。首先构建特征提取网络，把平均池化替换成加权池化，视分类计算为特征注意力热图之间内积计算，提取目标显著特征；其次对特征进行相应特征耦合聚类，随机选高置信度ID样本，成为聚类中心，建立异类样本相对距离阈值，计算特征与聚类中心距离，区分目标特征与背景干扰和异类特征，得到特征耦合聚类损失；最后利用三组态网络，将参考、同类和异类样本映射特征空间，比较相似性。本发明可以更好地跨摄像机的目标重识别，可以很好地提高特征辨识能力，提高重识别的准确性性和鲁棒性。

技术领域

本发明涉及一种煤层气井井场监控重识别方法技术，属于计算机视觉与图像处理技术领域。

背景技术

伴随着计算机软硬件的高速发展，高性能计算机和摄像机终端已经非常普遍，在城市智能监控中，得到了普遍的应用。随着社会发展进步，汽车普及率越来越高，对于城市安全，亟需能够对监控下的图像分析技术，目标识别技术就成为了人们关注的焦点。行人重识别在视频监控、智能交通和城市计算方面具有普遍应用，可以在大型监控视频中快速发现，定位和跟踪目标行人。与行人检测，跟踪或分类不同，行人重识别可以被发现为实例级对象搜索问题。行人再识别问题，实质上是指在一个特定范围内的交通监控场景下，判断非重叠区域内拍摄的行人图像是否属于同一个人的检索问题。目前，在交通比较发达区域都有着监控摄像头的存在(十字路口、易发事故地段，人流量大的路段等)，通过研究如何更好的利用摄像头进行交通监管和刑事侦破等，是非常有价值的。目前主要分成三种方法进行相关研究：第一种主要是结合传感器进行行人的重识别，这类方法受天气干扰以及距离因素影响比较大，并且相应的硬件成本也很大，无法满足现实需求。第二种主要是利用手工特征提取的方式，这类方法主要是利用一些提取算法提取一些手工特征，准确率无法提升。第三种基于深度学习的方法就应运而生，对于特征提取准确性更高，识别准确率也提升。三组态网络是孪生网络的一个改进提升，在判别能力上有显著的提升，对于复杂背景干扰的情况下，对于显著性特征提取，在识别检测领域上有着很好的效果。

发明内容

本专利旨在克服一些上面介绍的现有技术的不足，针对三组态网络相应的行人特征判别能力在复杂环境下跨摄像头的同一目标进行识别，我们提出了一种煤层气井井场监控重识别方法技术。

本发明所采用的技术方案是：构建基于特征耦合聚类的三组态网络进行目标重识别。对于图像数据，手工特征提取目前提取的都是来自低层的语义特征，关注于行人轮廓，纹理以及颜色等特征信息进行识别，通过神经网络可以提取更高层语义信息，包括空间特性以及时间和位置信息。这些高层次语义信息对于目标行人的特征表达是十分重要的，与提取的底层语义信息进行很好的互补，更好的实现相应的重识别。本发明可以充分利用空间特征获取相应的目标行人的空间语义信息，利用与低层语义信息互补的优势，来提升此方法对于复杂环境下的跨摄像头同一目标的判别能力，提高重识别的可靠性和鲁棒性。

一种煤层气井井场监控重识别方法技术，包括以下步骤：

第一步，通过构建一个嵌入网络结构，在嵌入网络结构中加入加权注意力池化层替换平均池化层，把分类计算看成对输出的行人特征注意力热图之间的内积计算，着重提取目标行人的显著性特征；

第二步，通过本发明中的特征耦合聚类方法，随机选取一些具有较高置信度的不同ID样本，作为聚类中心，通过建立异类样本相对距离阈值并且计算特征点与聚类中心的空间马氏距离，可以把目标行人特征点与背景干扰点以及不同行人进行相应聚类从而区分，得到相应特征耦合聚类损失，然后通过一个比较器计算相似性。

第三步，通过把三个嵌入网络融入三组态网络框架中，将参考样本、同类样本和异类样本图像映射到特征空间之中。

本发明的效果和好处是提出一种基于特征耦合聚类的一种煤层气井井场监控重识别方法技术，充分利用了相似特征耦合聚类的优势，同时，本发明还利用加权注意力池替代平均池化层来提取目标行人相应的显著特征信息和构建特征热图，通过加权注意力池模块对特定目标正相关性的特征进行激活，利用显著特征的空间特性，赋予相应通道上更好的权重偏向，实现更好的行人重识别。