本发明专利技术公开了一种基于全局特征匹配的跨摄像头行人重识别方法，旨在解决公共场所跨摄像头下人脸跟踪技术失效的场景。首先针对不同场景构建少量人工标注样本，训练深度学习网络模型，并在后续匹配中做好标注生成和统计，从而生成大量非人工标注样本。该数据集用于加强训练检测模型，提高后续检测精度。本发明专利技术能够有效提高重识别项目的落地效率，为重识别检测部署提供实施步骤，
下载所有详细的技术数据
【技术实现步骤总结】
一种基于全局特征匹配的跨相机行人重识别方法
该专利技术涉及图像识别和计算机视觉
，具体来说，是一种基于全局特征匹配的跨相机行人重识别方法。
技术介绍
行人重新识别（Re-identification）是计算机视觉中最关键的任务之一。它用于结合行人检测和行人跟踪技术。常用于不同摄像头下的智能视频监控、安防等诸多领域。鉴于公共场所行人的面部信息无法被监控摄像头捕捉到的问题，是人脸追踪技术失效的特殊场景。在实际情况下，行人的特征容易受到光强、遮挡、姿态变换、相机图像质量等差异的影响，导致模型在跨镜头场景中直接转移到期望场景中的表现不佳。所以，这项技术的实施对数据集的要求极为关键，从而导致数据集的构建是极其关键和重要的一步。然而，重识别数据集的构建极度依赖人工标注。标注大批量的数据往往需要几个月的时间，标注时间的周期大大耽误了项目的实施，标注工作会消耗大量的人力。首都。而贴标工作会消耗大量的人力。首都。而贴标工作会消耗大量的人力。首都。
技术实现思路
该专利技术的目的是提出一种基于全局特征匹配的跨相机行人重识别方法，以克服现有技术的上述不足。为了实现上述技术目的，本专利技术的技术方案实现如下：一种基于全局特征匹配的跨相机行人重新识别方法，该方法包括以下步骤：1)根据对目标检测网络所需的训练按照设定的要求，归档成符合格式的数据集，利用构建的主干网络从模型中提取图像特征，然后进行检测训练，从而提高重新识别检测预处理步骤的准确性。
专利技术的有益效果： 专利技术不仅可以大大缩短贴标工人的工作周期，而且为推动人员再识别技术方案的实施和应用提供了有效的技术手段。目标对象只需要后期人工审核和调整，可以大大降低人力资本的消耗，具有重要的实现意义；该专利技术不仅可以跟踪和半自动标记行人目标，还可以应用于汽车和商品等图像。重新识别标注任务和跟踪任务。该专利技术使用Yolo（Yoloonlylookonce）作为目标检测网络作为预处理的检测部分，对检测到的视频帧进行分割，提取目标，拦截目标等功能。对截取的行人图像进行特征提取后，通过无监督聚类得到不同行人分类的数据集，方便后续人工筛选，提高后续重识别技术的效率。附图说明图。图1是总体流程图；如图。图2是神经网络训练流程图；如图。图3是跨相机跟踪的流程图；和图。图4是样本整合和提取的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述。如图所示。1、根据本专利技术实施例提供的一种基于全局特征匹配的跨相机行人重识别方法，该方法包括以下步骤： 步骤1：例如，根据行人目标检测网络Yolo，创建一个自制一个Pedestrian训练集，包含多个背景环境，训练集格式基于COCO，构建特定数量的数据集。训练集和验证集的数量按 3:1 的比例分布，验证集不包含训练集中的样本。设置好学习率等超参数如0.00001和最大迭代次数80000后，使用公式(1-1)进行反向迁移操作，
【技术保护点】
1.一种基于全局特征匹配的跨相机行人重识别方法，其特征在于，该方法包括以下步骤： /n1)根据目标检测网络所需的训练集要求，归档一个格式数据集，利用构建的主干网络从模型中提取图像特征然后进行检测训练，基于特征提取后的图像和标注的检测框进行计算，通过Loss值更新模型。参数，得到目标检测网络训练，最后得到模型M1，Loss公式如下：/n
【技术特点总结】
1.一种基于全局特征匹配的跨相机行人重识别方法行人检测输入图片，其特征在于，该方法包括以下步骤：
1)根据目标检测网络所需的训练集要求，归档成符合格式的数据集，利用构建的主干网络从模型中提取图像特征，然后进行检测训练. 计算，通过Loss值更新，对模型应用链式法则，将更新后的权重参数反向传递，得到目标检测网络的训练，最终得到模型M1。损失公式如下：
其中，S为检测网络集的数量；B为检测帧数；是检测参数，如果检测到目标，则设置为1，如果未检测到，则设置为0；设置参数为1，检测到目标时设置参数为0；bx，分别对应检测框和实际标签框的值，pc为某一类别下的概率，ci为置信度；
2)构造主干网络，提取图像的全局特征，然后进行GAP的全局平均，如下式(1-2)，提取行人图像的特征，然后用GAP成为特征向量，
其中，a11,a12...,aHW为C个通道的H·W参数值，每个通道根据GAP后形成的特征值c组成，最后由C c [ C,1]维矩阵行人检测输入图片，
模型通过公式(1-3)计算Loss，然后通过链式法则反向传递更新后的权重参数：
损失=max(d(a,p)-d(a,n)+margin,0)(1-3)
其中，根据主干网络，通过公式(1-2)得到训练行人时生成的特征向量，p为该类型行人的特征，n为非该类型行人的特征行人，margin为预设值，最后经过一定次数的迭代，得到行人特征提取网络的训练得到模型M2；
3)输入要标记的视频文件后，根据用户设置检测帧率T和感兴趣区域A，根据设置帧率提取具体帧，具体帧保存为图片，根据设置的帧率。仅在区域 A 内检测到感兴趣区域；
4)根据步骤3)中设置的检测帧率T，使用步骤1)建立一个模型M1来检测输入视频，通过设置的感觉来检测行人兴趣...
【专利技术性质】
技术研发人员：李晓春、吴迪娟、秦勇、朱金晓、
申请人（专利权）持有人：杭州像素元科技有限公司，
类型：发明
国家省份：浙江；33
下载所有详细的技术数据 我是该专利的所有者
