[发明专利]一种基于监控场景下的跨场景多摄像头行人重识别算法

说明书

本发明公开了一种基于监控场景下的跨场景多摄像头行人重识别算法，包括以下步骤：增加数据规模大小；构造一个高效行人半自动化标注工具；构建训练网络，采用残差网络作为主干网络；融合度量学习和分类学习，添加度量损失函数和分类损失函数；添加开源行人图片测试集和实际场景测试图片测试集；添加多模态训练图片数据，在图片训练处理过程中按照一定的比例对数据进行迁移操作；采用Adam优化器更新模型的参数，采用余弦学习率衰减，10轮测试保存一次最佳模型；利用保存的模型对现场环境测试搜索。本发明可快速在应用场景下从视频中获取大量行人分类图片，弥补公开测试数据集对实际情况的评估偏差，更真实的反应模型实际应用性能。

技术领域

本发明涉及生物识别的技术领域，尤其涉及一种基于监控场景下的跨场景多摄像头行人重识别算法。

背景技术

行人再识别是利用计算机视觉技术判断在不同场景下的多个摄像头下采集的行人图片或者视频中是否存在特定的行人，其本质是跨境头行人检索问题，通俗地讲就是以图搜图技术。由于其在安全应用中的重要作用，行人重识别受到了研究界的广泛关注，目前主要应用于智能视频监控、智能安保等领域，特别是在社会安全关键事件中，行人重识别是一个重要的技术手段。

目前基于深度学习的行人重识别方案已经成为主流，并且在多个公开数据集上有着非常好的表现性能，但是其在实际成产环境中表现效果并不理想。主要存在数据问题，跨域问题，模型优化问题，现有的数据集主要存在以下几个问题：(1)大多是单模态RGB图像，而在实际场景中，夜晚下的红外摄像头或者其他摄像头较为常见。(2)大多数行人数据进行标注的，但是这在实际应用中是不可行的，会耗费较多的时间和成本。(3)摄像机的种类位置不同场景大都不一样，不同场景下保存的图片差异较大。(4)大多数图片具有相同的分辨率，和实际应用场景差别较大。(5)由于工作量、成本、隐私等原因，目前许多行人基准都是基于有限的人数、选择性图像数据和模拟相机设置构建的，与实际应用要求相差较远。

因此针对数据问题，有专注于造图和游戏虚拟行人数据的reid研究，有基于换装的行人重识别研究，有针对遮挡、低分辨、多模态行人数据、图像结合文本数据的行人reid研究等。针对跨域问题，提出了ibn网络模块，DG-Net网络换背景等方法提升模型泛化性能，针对模型优化问题提出度量学习加分类学习，细粒度，融合全局局部特征，无监督学习等方法，

为此，关于数据不足，模型泛化能力差的问题，在不增加现有模型复杂度的基础上，本发明提出了基于度量学习和分类学习、融合全局和局部特征、多模态行人重识别技术方案，并且针对实际场景数据量不足的问题，构建了一个半自动化行人标注工具。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有一种基于监控场景下的跨场景多摄像头行人重识别算法存在的问题，提出了本发明。

因此，本发明目的是提供一种基于监控场景下的跨场景多摄像头行人重识别算法，其为了针对行人模型训练数据普遍存在类内差异大，类间差异小以及模型在不同场景数据泛化能力差的问题，通过度量学习以及数据的优化迁移提升模型的性能。

为解决上述技术问题，本发明提供如下技术方案：一种基于监控场景下的跨场景多摄像头行人重识别算法，包括以下步骤：

步骤一：增加数据规模大小，提升模型泛化能力；

步骤二：标注现场测试评估数据，通过构造一个高效行人半自动化标注工具，制作模型评估数据；

步骤三：构建训练网络，采用残差网络(resnet50-ibn)作为主干网络，通过多粒度(mgn)头部网络融合全局特征和多粒度局部特征；