[发明专利]一种基于人体骨骼关键点分割和列卷积的行人重识别方法

摘要

本发明涉及一种基于人体骨骼关键点分割和列卷积的行人重识别方法，包括：(1)准备行人数据集；(2)将训练集送入网络A，得到上半身图片信息和下半身图片信息，上半身图片信息是指包含有行人上半身信息的高维矩阵X，下半身图片信息是指包含有行人下半身信息的高维矩阵Y；(3)将高维矩阵X送入网络B；(4)将高维矩阵Y送入网络C；(5)使用测试集验证,进行结果检测。本发明基于人体骨骼关键点的区域分割能更准确地将人体各部分区分开来，能更有效的进行人体部件对齐，能够有效提高模型的鲁棒性。本发明能使图中像素行和行之间能够传递信息，有效地提高目标识别率。

主权项

1.一种基于人体骨骼关键点分割和列卷积的行人重识别方法,其特征在于，包括步骤如下：(1)准备行人数据集，行人数据集是指处于不同场景且具有不同尺度的大量的行人图像；将行人数据集划分为训练集、验证集和测试集,使用LabelImg图片标注工具标注训练集；(2)将训练集送入网络A，网络A是目标检测网络，得到上半身图片信息和下半身图片信息，上半身图片信息是指包含有行人上半身信息的高维矩阵X；下半身图片信息是指包含有行人下半身信息的高维矩阵Y；(3)将高维矩阵X送入网络B，网络B是人体骨骼关键点检测网络，得到表征上半身特征的tensor1,tensor1的空间大小为m×n，m为矩阵行数、n为矩阵列数，将tensor1按人体骨骼关键点水平分为头、胸、腹三部分；得到tensor1‑1、tensor1‑2、tensor1‑3，经过池化和降维后送入softmax层进行分类，根据分类结果分别计算cross‑entropy loss；(4)将高维矩阵Y送入网络B，得到表征下半身特征的tensor2,tensor2的空间大小为p×q，p为矩阵行数、q为矩阵列数，将tensor2按人体骨骼关键点纵向分为左、右腿两部分，得到tensor2‑1、tensor2‑2，经过池化和降维后送入softmax层进行分类，根据分类结果分别计算cross‑entropy loss；(5)使用测试集验证,进行结果检测。