买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京航空航天大学

摘要：本申请公开了一种多层次筛选的长时间大范围行人再识别方法。该方法分为两部分，首先，当目标消失后利用基于WebGIS的目标关联视频筛选方法在海量视频中快速筛选出目标关联视频，从目标关联视频中检测行人图片作为目标候选图像集。进而构建了一种属性特征和表观特征相结合的多任务行人再识别网络，通过属性网络提取属性特征，将待查询行人图像与所有目标候选图像集中的图片进行属性相似度计算并排序，对目标候选图像集中的行人图片进行筛选，剔除与待查询行人图像属性差异较大的图片。再由表观网络对剩余的行人图片进行再识别，计算待查询行人图像的表观特征与目标候选图像集中剩余行人图片表观特征的相似度，利用表观相似度排序，最终得到与待查询行人图像一致的行人目标图片。该方法通过WebGIS、目标属性、目标表观层层筛选，能够为长时间大范围行人再识别提供可靠的线索，协助用户快速锁定备查目标。

主权项：1.一种多层次筛选的长时间大范围行人再识别方法，其特征在于，包括如下步骤：1.1输入目标追踪的已知条件，包括：目标类型、目标速度、目标消失时刻、目标消失摄像头C0及目标所在经纬度，利用WebGIS路径分析以及目标关联视频筛选确定一个或多个备查摄像头，根据消失目标在所述备查摄像头中的出现时刻，进行目标关联视频筛选；对所述目标关联视频进行行人目标检测，裁剪出行人图片作为目标候选图像集；1.2构建多任务行人再识别网络模型，所述模型包含基本网络、属性网络和表观网络三部分；采用Resnet50残差网络作为基本网络，并在ImageNet数据集上对Resnet50残差网络进行预训练，得到预训练模型，然后将待查询行人图像作为输入，将由基本网络得到的行人特征作为行人整体特征；在属性网络部分，构建多层次自适应空间注意力模块以获取特征权重，该模块包含多级池化层、卷积层和sigmoid层，其中，所述多级池化层包含三种池化操作，分别为均值池化、最大池化以及中值池化，经上述三种池化操作对应输出三个不同注意力层次的特征；利用所述注意力模块获取的特征权重对行人整体特征进行加权，得到加权后特征，再通过全局平均池化得到特征向量，此处全局平均池化是指在特征的每个维度进行均值池化操作；然后由卷积层对特征向量降维，全连接层充当分类器，将特征向量映射到对应的属性输出结果上，最后的损失层采用softmax计算行人的属性损失；在表观网络部分，采用水平金字塔模型对特征进行水平分类，获取三种特征：基于Resnet50基本网络提取的行人整体特征，以及对整体特征进行水平切割得到的行人上半身和下半身局部特征；对该三种特征分别进行全局平均池化GAP和全局最大池化GMP以得到对应的三种特征经过GAP和GMP操作后的结果，此处GAP和GMP操作并行处理，将所述三种特征经过GAP和GMP操作后的结果对应相加，分别得到行人的全局表观特征、上半身局部表观特征和下半身局部表观特征；然后，将所述三种表观特征向量进行卷积降维，并将降维之后的三种表观特征进行拼接，形成行人图像的表观特征，同时将卷积降维后的三种表观特征分别输入到全连接层，采用softmax计算行人表观的全局特征损失、上半身特征损失和下半身特征损失，并进行三部分加和得到行人身份损失；1.3利用行人再识别数据集Market-1501进行所述属性网络和表观网络的训练，通过计算属性网络和表观网络两个分支的联合加权损失函数完成多任务行人再识别网络模型的训练；1.4将目标消失时刻的目标图像作为待查询行人图像，将其输入到上述训练好的多任务行人再识别网络模型中；通过所述属性网络提取该待查询行人图像的J个属性特征；将待查询行人图像的J个属性特征与目标候选图像集中每幅图像的属性特征进行属性相似度计算，并按属性相似度K值从大到小排序，设置筛选阈值R，将排序结果中K值小于R的对应目标候选图像集中的行人图片剔除；然后，对剩余的目标候选图像集中的行人图片，通过上述表观网络提取表观特征，根据待查询行人图像的表观特征与剩余目标候选图像集中行人图片的表观特征进行表观相似度计算，对计算出来的表观相似度进行排序，找到与待查询行人图像最相似的行人图片，完成属性特征、表观特征多层次筛选的行人再识别过程。

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种多层次筛选的长时间大范围行人再识别方法