[发明专利]一种基于深度学习的跨场景行人搜索方法

摘要

本发明公开了一种基于深度学习的跨场景行人搜索方法，包括：对样本库中的每张图片进行预处理；构建卷积神经网络并训练；对经预处理的两组图像集提取上半身局部特征向量集和下半身局部特征向量集，然后将其融合得到全局特征向量；将待搜索图片经过预处理后，提取上半身局部特征向量和下半身局部特征向量并融合，得到的全局特征向量；将待搜索图片对应的全局特征向量与样本库图片对应的全局特征向量，通过余弦相似度依次进行比对，输出一组相似度值，并将相似度值按照排序算法进行排序。本发明的有益效果是：本发明是以监控视频中获取的行人图片作为样本库，不需要对特征进行设计、特征鲁棒性强且实际搜索准确率高。

主权项

一种基于深度学习的跨场景行人搜索方法，其特征在于，所述方法包括：步骤S101：构建样本库，对样本库中的每张图片进行尺寸归一化和分割预处理，每张图片均得到对应的上半身图像和下半身图像，经上述处理后，样本库包括两组图像集，分别为上半身图像集和下半身图像集；步骤S102：构建卷积神经网络，将步骤S101得到的上半身图像集和下半身图像集分别输入到卷积神经网络进行训练，得到训练好的卷积神经网络模型；步骤S103：将步骤S101得到的两组图像集输入到训练好的卷积神经网络模型，得到与两组图像集对应的上半身局部特征向量集和下半身局部特征向量集，然后将同一图像对应的上半身局部特征向量和下半身局部特征向量融合，从而得到该图像的全局特征向量，对样本库中所有图像进行相同处理得到与样本库所有图片一一对应的全局特征向量；步骤S104：将待搜索图片经过尺寸归一化和分割预处理后，输入到训练好的卷积神经网络模型，将得到的上半身局部特征向量和下半身局部特征向量融合，得到待搜索图片对应的全局特征向量；步骤S105：通过余弦相似度将步骤S104得到的与待搜索图片对应的全局特征向量，与步骤S103得到的与样本库图片对应的全局特征向量，依次进行比对，输出一组相似度值，并将相似度值按照排序算法进行排序，得到最大相似度值对应的样本库中的图片。