[发明专利]一种基于多模板特征更新的行人重识别方法及系统

说明书

本发明公开了一种基于多模板特征更新的行人重识别方法及系统，属于计算机视觉技术领域。本发明方法包括：提取目标行人的行人特征、提取目标行人的面部图像的人脸关键点，以及检测各视频帧的行人，对行人进行行人特征提取；再基于余弦距离确定初步查找对象，当其与模板特征组间的余弦距离满足条件一时，则匹配成功，否则，检测其是否满足条件二，若是则启动人脸识别处理，基于人脸识别确定行人匹配结果，否则匹配失败；当连续多帧均匹配成功时，基于匹配得到的目标行人特征对模板特征组进行更新。本发明还公开了对应本发明方法的行人重识别系统。本发明解决了行人识别的遮挡问题，且降低了运算开销，有效提升了行人识别稳定性。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于多模板特征更新的行人重识别方法及系统。

背景技术

行人重识别是计算机视觉领域中的一类重要问题。在图像或视频中进行行人的检测和识别时，往往会出现行人处于不同镜头所拍摄画面的情况。行人重识别任务需保证行人再次出现在该摄像头或其他摄像头时，可以重新锁定目标，从而完成跨镜头跟踪、行人定位等相关任务。

行人重识别包含特征提取和特征匹配两个步骤。首先在采集原始数据（图像数据）并将行人截取出来后，设计重识别模型去挖掘数据中不同行人的隐藏特征表达模式的过程称为特征提取，提取到的特征组称为模板。此后，将训练好的模型应用到测试场景中，将提取的待检测目标特征与模板特征进行比较，这一步骤称为特征匹配。

特征提取方面，随着基于神经网络的深度学习技术的发展，该技术被更广泛的用于行人重识别任务中。相比于传统的特征工程提取技术，神经网络通过数据驱动的学习方式，能够更好的提取高层次特征，并缓解手动高层次特征设计导致算法性能高度依赖经验的问题，为行人重识别任务的高准确率奠定了基础。

特征匹配方面，将模板和图像或视频帧通过特征提取后，对表示特征的向量进行匹配，从而得到匹配结果。使用该方法可以通过改变模板完成对不同目标的重识别，从而提高行人重识别灵活性。

然而，现有行人重识别任务因摄像头拍摄对象角度及遮挡不确定等因素，导致模板与输入图像匹配困难，针对这个问题，现有主流研究方向主要通过如何特征提取或如何对提取之后的特征进行匹配来减少影响，对模板图像的选取本身研究工作较少。当前，现有的行人重识别方案主要有：

公开号为CN111738090A的专利申请公开了一种行人重识别模型训练方法，包括：利用行人重识别模型的卷积网络对行人图像进行特征提取，得到行人图像的原始特征；利用行人重识别模型的注意力模块对原始特征进行处理，得到多个行人局部特征；利用行人重识别模型的图神经网络，确定各行人局部特征之间的相似性矩阵，并根据相似性矩阵对各行人局部特征进行调整；基于调整后的行人局部特征确定行人识别结果及行人重识别模型的训练损失，根据训练损失对模型参数进行优化。

公开号为CN112036271A的专利申请公开了一种行人重识别方法，该方法包括：分别获取对应一预设时刻且包含有多帧行人图像的第一行人图像数据集及对应预设时刻的下一时刻且包含有多帧行人图像的第二行人图像数据集；搭建行人重识别模型；行人重识别模型包括特征提取模块、卡尔曼滤波更新模块及特征输出模块；根据第一行人图像数据集和第二行人图像数据集训练行人重识别模型，获取训练好的行人重识别模型，以基于训练好的行人重识别模型进行行人重识别。

公开号为CN109598191A的专利申请公开了一种行人重识别残差网络训练方法，所述方法包括：将样本图像输入行人重识别残差网络的卷积层进行处理，以提取所述样本图像的特征；将所述特征输入所述行人重识别残差网络的映射层进行球面映射，以得到所述特征的映射值；根据所述映射值确定所述样本图像的余弦空间损失；向所述行人重识别残差网络反向传播所述余弦空间损失的梯度，以调整所述行人重识别残差网络的参数。