申请/专利权人：中国矿业大学;江苏华图矿业科技有限公司

申请日：2021-08-20

公开（公告）日：2024-03-15

公开（公告）号：CN113627380B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/80;G06V10/74;G06V10/82;G06V10/762;G06N3/0895

优先权：

专利状态码：有效-授权

法律状态：2024.03.15#授权;2024.03.08#著录事项变更;2021.11.26#实质审查的生效;2021.11.09#公开

摘要：本发明是一种用于智能安防及预警的跨视域行人重识别方法及系统，方法包括如下步骤：步骤1预处理源域样本和目标域样本，步骤2通过ResNet50提取样本特征向量，步骤3特征提取后特征向量拼接，步骤4计算距离，生成伪标签，步骤5重识别，生成伪标签计算进行损失计算。本发明有效地对引入姿态估计点，对混杂背景进行遮挡处理，利用遮挡，防止网络将注意力集中在背景信息上，使网络学习能力变强，从而增加无监督行人重识别的识别精度，本发明有效利用了图片的相机索引、时间信息，考虑到在特定时间段和视角不重叠的特性，在相同相机下的行人图像置信度高和不同相机下的行人图像置信度低，为跨境头下的行人检索提供了很好的约束。

主权项：1.一种用于智能安防及预警的跨视域行人重识别方法，其特征在于：所述识别方法包括如下步骤：步骤1、预处理源域样本和目标域样本：将源域图片和目标域图片通过姿态估计标识姿态点，通过姿态点对图片进行遮挡，将源域图片和ID信息，进行模型的预训练，使模型具有提取关键特征的能力；步骤2、通过ResNet50提取样本特征向量：加载步骤1中预训练的模型，将源域和目标域的具有全局特征图像和半身遮挡图像输入到网络中，通过ResNet50提取与行人相关的特征，通过全局特征处理和局部特征处理获取特征向量；步骤3、特征提取后特征向量拼接：将步骤2中通过全局特征获取的特征向量和局部特征处理的特征向量连接起来获得维度特征向量；步骤4、计算距离，生成伪标签：提取维度特征向量后，计算目标域样本间、源域样本间彼此的距离，得到样本间最终距离矩阵，以该距离矩阵得到聚类半径R，通过密度聚类法，给目标域样本打上伪标签；步骤5、重识别，生成伪标签进行排序：通过步骤4获得的伪标签、步骤3获得的维度特征向量，通过tripletloss计算损失，更新网络，更新网络后返回步骤2，依次迭代进行提取特征，计算距离，生成伪标签，计算损失，更新网络，直到网络收敛或者迭代次数完成，其中在所述步骤4中，目标域样本间、源域样本间彼此的距离的计算用K相互近邻中的杰卡德距离和马氏距离，并且在计算过程中利用图片中相机索引和帧数值信息，筛选出具有关联性的行人图片，通过添加约束距离df，拉近同一身份样本之间距离，扩大不同身份距离；所述步骤5中距离的计算过程如下：1构建与矩阵d相同维度的矩阵W，将满足同一相机索引且时间差在10s的样本赋予给W所处位置的值为0，将满足不同相机索引且时间差在10s的样本赋予给W所处位置的值为1，其他情况赋值为0.5；2构建一个与矩阵d相同维度的零矩阵do，将W和do通过点乘，得到筛选后的df，拉近同身份之间距离，扩大不同身份之间距离，最终距离为dallq,gi＝1-λ1-λ2dfq,gi+λ1djq,gi+λ2dq,gi其中df为约束距离；dj为杰卡德距离；d为马氏距离；dall为最终距离；λ1、λ2、λ3为超参数，控制了距离之间比例。

全文数据：

权利要求：

百度查询： 中国矿业大学;江苏华图矿业科技有限公司 一种用于智能安防及预警的跨视域行人重识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD