[发明专利]一种商业场景下跨摄像头行人重检索方法

摘要

一种商业场景下跨摄像头行人重检索方法，包括以下步骤：(1)、输入图像；(2)、单目标行人分割；(3)、通道组合；(4)、行人特征提取；(5)、特征比对。本发明的商业场景下跨摄像头行人重检索方法，将单目标行人分割和行人特征提取方法相结合，基于单目标行人分割能有效的去除背景，当多人重叠时候能有效分割出主要目标；通过引入RGBM图像既可以有效利用Mask信息，又能避免去除过多背景信息导致准确率降低；通过在Triplet loss中引入聚类中心，可以有效的提高神经网络收敛速度；该方法有效提取特征实现跨摄像头行人重检索。

主权项

1.一种商业场景下跨摄像头行人重检索方法，其特征在于：包括以下步骤：(1)、输入图像；(2)、单目标行人分割，包括以下步骤：a)数据准备：在coco数据集中，通过每个目标的包围框[x,y,w,h]分别在原图和mask图上裁剪图像，保证每个图像中只包含一个人物，分别得到图像image_i和图像mask_i，其中x为矩形框左上角横坐标，y为矩形框左上角纵坐标，w为矩形框宽，h为矩形框高度；b)网络选型；c)建立损失函数，对网络进行训练，损失函数如下：其中：loss为最终损失函数；λ为尺度参数；(3)、通道组合，将mask作为一个通道添加到原图上，每个人的图像由RGB图像到RGBM图像，然后送入神经网络中并提取特征；(4)、行人特征提取，采用以度量学习为主结合样本分类的训练方式，选取基础网络，进行特征提取，步骤如下：a)数据准备，将同一个人的照片归为一类；b)建立损失函数，对网络进行训练，采用基于triplet loss且带有聚类中心的损失函数，公式如下，公式中表示第j类的第i类样本的特征向量；表示第j类特征向量的均值；||·||表示求特征向量二范数，其中：Dintra为类内平均距离；Dcross为类间平均距离；m为一个batch中包含的人数；n为一个人包含的样本数；(5)、特征比对。