[发明专利]基于成员递进关系的行人群组表征方法

说明书

本发明公开了一种基于成员递进关系的行人群组表征方法，该方法包括：获取行人图片并提取行人特征；对行人特征进行线性投影降维，得到行人特征的隐编码；对行人特征的隐编码引入群组表征向量并进行填补，得到填补后特征序列；将填补后特征序列中的群组表征向量结合个体表观信息，得到群组个体表征；将填补后特征序列中的群组表征向量结合个体间关联信息，得到群组关联表征；将群组个体表征和群组关联表征融合，得到多级群组表征。通过使用本发明，能够更好的表征群组的特征信息，从而提高行人重识别精度。本发明作为一种基于成员递进关系的行人群组表征方法，可广泛应用于计算机信息处理领域。

技术领域

本发明涉及计算机信息处理领域，尤其涉及基于成员递进关系的行人群组表征方法。

背景技术

群体重识别技术，是指给定一张含有人群待查找的图片，从另一组图片中找到与待查找图片中人群重合率最高的图片，传统的方法有两个：一个是基于手工提取特征来进行图片匹配，还有一个是通过卷积神经网络和图神经网络的方法来建立群体特征。基于手工提取特征的方法存在不够稳定导致效果不佳，表征能力在大规模搜索上有限的问题，基于卷积神经网络和图神经网络的方法存在计算速度慢，网络模型收敛慢，效果欠佳且只能考虑到局部特征之间的关联性的问题。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于成员递进关系的行人群组表征方法，能够更好的表征群组的特征信息，从而提高行人重识别精度。

本发明所采用的第一技术方案是：一种基于成员递进关系的行人群组表征方法，包括以下步骤：

获取行人图片并提取行人特征；

对行人特征进行线性投影降维，得到行人特征的隐编码；

对行人特征的隐编码引入群组表征向量并进行填补，得到填补后特征序列；

将填补后特征序列中的群组表征向量结合个体表观信息，得到群组个体表征；

将填补后特征序列中的群组表征向量结合个体间关联信息，得到群组关联表征；

将群组个体表征和群组关联表征融合，得到多级群组表征。

进一步，所述获取行人图片并提取行人特征这一步骤，其具体包括：

获取群组中的行人图片并进行尺寸变换，得到统一大小的行人图片；

将统一大小的行人图片输入至Resnet-50网络，输出特征图；

将特征图经过平均池化处理，得到行人特征。

进一步，所述对行人特征的隐编码引入群组表征向量并进行填补，得到填补后特征序列这一步骤，其具体包括：

在行人特征的隐编码前添加群组表征向量，得到初步特征序列；

基于填补特征将初步特征序列填补至预设长度，得到填补后特征序列；

根据特征区间设置行人掩膜。

进一步，所述将填补后特征序列中的群组表征向量结合个体表观信息，得到群组个体表征这一步骤，其具体包括：

将填补后特征序列经过三个多层感知机学习，得到对应特征Q₁、特征K₁和特征V₁；

计算每个特征与其他特征的相似度；

将相似度进行softmax变换并结合特征V₁进行相乘处理，得到每个特征与其他特征的相似度较高的特征；

循环感知机学习和相似度计算的步骤，直至达到预设次数，得到第一组不同子空间的相似信息；

将第一组不同子空间的相似信息进行拼接，得到群组个体表征。