本发明专利技术涉及人工智能及计算机视觉处理技术领域，公开了一种人员识别方法、装置、设备、行人监控系统及存储介质，即在获取到待检人员图像后，可以针对所述待检人员图像和给定的目标人员图像，先分别通过基于全局特征和关键点特征相融合的特征融合手段来得到对应的特征向量，然后在基于所得特征向量进行的图像相似度差异比对过程中，通过矩阵乘法计算向量内积方式来实现相似度的对比，最终得到人员识别结果，不但可以提高在图像畸变、人员姿态变化或遮挡等复杂场景下的特征描述鲁棒性，确保能够有效应对遮挡场景与人员姿态变化等情况，提高人员识别的准确度和有效性，还可降低计算复杂度，快速得到识别结果。快速得到识别结果。快速得到识别结果。
【技术实现步骤摘要】
一种人员识别方法、装置、设备、行人监控系统及存储介质
[0001]本专利技术属于人工智能及计算机视觉处理
，具体地涉及一种人员识别方法、装置、设备、行人监控系统及存储介质。
技术介绍
[0002]随着人工智能的飞速发展和社会对于智能化服务需求的增加，作为居民楼公共场所的重要运输载体和关键通道，电梯的视频监控智能化需求也与日俱增。行人是安防系统中重要的监控对象之一，根据行人的特征并利用机器视觉对电梯监控视频中的丰富信息进行分析，对于构建智能监控系统具有重要的应用价值和意义。
[0003]电梯轿厢内的视频图像常常由于摄像头视角与位置等原因导致图像产生畸变，对后期目标检测和属性识别等研究工作带来了难度。行人智能识别与筛选是指给定待查找的行人图像(即目标图像)，从监控视频的或者在其它路径下捕获的大量图像中重新识别出该行人的过程，是近年来计算机视觉领域的研究热点，属于图像检索类问题，广泛用于智能视频监控和智能安保等领域。对跨时空领域中的目标行人进行识别和检索，关键在于选择合适的行人特征提取方法和用于特征比较的度量学习方法来探索两张图像的相似性。
[0004]传统的解决方法主要是通过“手工设计特征+距离度量”的方式实现，其中特征提取与表示方法大致可分为底层特征表达、中高层特征学习和混合模型特征表达三大类。度量学习方法有马氏距离、局部自适应决策函数以及显著性加权度量学习等。由于面临场景遮挡或姿势变化等复杂挑战，上述传统的低级视觉特征提取方法难以获取到强鲁棒性的特征，进而影响基于此类特征的度量学习方法的精准度和有效性。
[0005]近年来，神经网络等机器学习技术被广泛应用于数字图像处理领域中。基于深度学习的行人特征提取方法可大致划分为基于局部区域的方法、基于视频序列的方法以及基于生成对抗神经网络的方法。其中基于局部区域的方法主要包括利用网格特征的方法、对图像进行水平条纹等规则切块的方法以及根据姿态信息/语义分割划分局部区域的方法等，虽然可以有效地观察各个分区的差异，但是对于遮挡和姿势不对齐等问题还是存在大的挑战，对于行人图像姿势的大幅度变化的适应能力不强。而基于生成对抗网络的方法大多数是用来增强数据集或实现不同相机之间的风格迁移，一般与其他类型方法相结合共同完成识别过程，因此在面对遮挡和姿势不对齐等问题时，并没有改善效果。
[0006]因此针对电梯轿厢内的视频图像，如何解决在图像畸变或场景变化情况下的乘客识别与检索问题，并有效应对遮挡场景与乘客姿态变化等情况，提高乘客识别的准确度，是本领域技术人员亟需研究的课题。
技术实现思路
[0007]为了解决现有行人智能识别与筛选技术在图像畸变或场景变化情况下所存在人员识别精准度和有效性均较差的问题，本专利技术目的在于提供一种人员识别方法、装置、计算机设备、行人监控系统及计算机可读存储介质，不但可以提高在图像畸变、人员姿态变化或
遮挡等复杂场景下的特征描述鲁棒性，确保能够有效应对遮挡场景与人员姿态变化等情况，提高人员识别的准确度和有效性，还可降低计算复杂度，快速得到识别结果，利于与进行逐个对比特征的现有技术相比，提升多人员图像的识别结果表达直观度，满足快速检索的要求。
[0008]第一方面，本专利技术提供了一种人员识别方法，包括：
[0009]获取待检人员图像；
[0010]针对所述待检人员图像和给定的目标人员图像，基于卷积神经网络获取到对应的全局特征图；
[0011]针对所述待检人员图像和所述目标人员图像，基于人体关键点模型和对应的全局特征图，获取到对应的多个局部特征；
[0012]针对所述待检人员图像和所述目标人员图像，将对应的多个局部特征在平均池化处理后与在对应的全局特征图中的全局特征进行串联拼接，得到对应的且包含有多维度特征值的特征行向量；
[0013]将所述待检人员图像及所述目标人员图像的特征行向量组合成特征矩阵，其中，所述特征矩阵中的各行元素为所述待检人员图像的特征行向量或所述目标人员图像的特征行向量；
[0014]对所述特征矩阵进行归一化处理，得到归一化特征矩阵；
[0015]计算所述归一化特征矩阵与其转置矩阵的内积，得到相似余弦方阵；
[0016]根据所述待检人员图像的特征行向量和所述目标人员图像的特征行向量分别在所述特征矩阵中的行位置，在所述相似余弦方阵中查找到对应行列位置的元素，并将该元素作为所述待检人员图像与所述目标人员图像的人员相似度。
[0017]基于上述
技术实现思路
，提供了一种实现全局特征和关键点特征相融合的人员识别方案，即在获取到待检人员图像后，可以针对所述待检人员图像和给定的目标人员图像，先分别通过基于全局特征和关键点特征相融合的特征融合手段来得到对应的特征向量，然后在基于所得特征向量进行的图像相似度差异比对过程中，通过矩阵乘法计算向量内积方式来实现相似度的对比，最终得到人员识别结果，不但可以提高在图像畸变、人员姿态变化或遮挡等复杂场景下的特征描述鲁棒性，确保能够有效应对遮挡场景与人员姿态变化等情况，提高人员识别的准确度和有效性，还可降低计算复杂度，快速得到识别结果，利于与进行逐个对比特征的现有技术相比，提升多人员图像的识别结果表达直观度，满足快速检索的要求。此外，由于在特征向量提取过程中，结合了由骨干网络提取的全局特征图和基于人体关键点模型的局部特征，可与单纯提取全局特征的方法相比，增强了特征的鲁棒性；以及由于使用了余弦相似度作为图像之间相对差异的判断依据，可与使用欧氏距离再归一化的方法相比，操作简单，而且不受特征值之间绝对差异的影响，便于实际应用和推广。
[0018]在一个可能的设计中，若获取到多张待检人员图像，则在得到相似余弦方阵之后，所述方法还包括：
[0019]根据所述目标人员图像的特征行向量在所述特征矩阵中的行位置，在所述相似余弦方阵中查找到对应行位置的多个元素；
[0020]对所述多个元素中的所有元素进行数值由大到小的排序，得到元素队列；
[0021]根据与待检人员图像对应的元素在所述元素队列中的排序，对所述多张待检人员
图像中的所有待检人员图像进行一致性排序，得到待检人员图像队列；
[0022]将所述待检人员图像队列中的各张图像调整为统一尺寸大小的图像，并通过水平堆叠方式进行同时展示。
[0023]基于前述可能设计，可通过矩阵乘法计算向量内积来实现相似度的对比，并筛选排序展示相似度靠前的待检人员图像，使得在待检测数据库较大的情况下，能够有效降低计算冗余度，缩短花费时间，增强行人智能识别与筛选的实用性。此外，与现有逐个对比特征的方法相比，表达直观且大大降低了计算复杂度，更能满足快速检索的要求。
[0024]在一个可能的设计中，获取待检人员图像，包括：
[0025]获取监控视频图像；
[0026]调用目标检测算法对所述监控视频图像进行人员检测处理，得到人员检测结果标记框在所述监控视频图像中的位置；
[0027]根据所述人员检测结果标记框的位置，从所述监控视频图像中截取出框本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人员识别方法，其特征在于，包括：获取待检人员图像；针对所述待检人员图像和给定的目标人员图像，基于卷积神经网络获取到对应的全局特征图；针对所述待检人员图像和所述目标人员图像，基于人体关键点模型和对应的全局特征图，获取到对应的多个局部特征；针对所述待检人员图像和所述目标人员图像，将对应的多个局部特征在平均池化处理后与在对应的全局特征图中的全局特征进行串联拼接，得到对应的且包含有多维度特征值的特征行向量；将所述待检人员图像及所述目标人员图像的特征行向量组合成特征矩阵，其中，所述特征矩阵中的各行元素为所述待检人员图像的特征行向量或所述目标人员图像的特征行向量；对所述特征矩阵进行归一化处理，得到归一化特征矩阵；计算所述归一化特征矩阵与其转置矩阵的内积，得到相似余弦方阵；根据所述待检人员图像的特征行向量和所述目标人员图像的特征行向量分别在所述特征矩阵中的行位置，在所述相似余弦方阵中查找到对应行列位置的元素，并将该元素作为所述待检人员图像与所述目标人员图像的人员相似度。2.如权利要求1所述的人员识别方法，其特征在于，若获取到多张待检人员图像，则在得到相似余弦方阵之后，所述方法还包括：根据所述目标人员图像的特征行向量在所述特征矩阵中的行位置，在所述相似余弦方阵中查找到对应行位置的多个元素；对所述多个元素中的所有元素进行数值由大到小的排序，得到元素队列；根据与待检人员图像对应的元素在所述元素队列中的排序，对所述多张待检人员图像中的所有待检人员图像进行一致性排序，得到待检人员图像队列；将所述待检人员图像队列中的各张图像调整为统一尺寸大小的图像，并通过水平堆叠方式进行同时展示。3.如权利要求1所述的人员识别方法，其特征在于，获取待检人员图像，包括：获取监控视频图像；调用目标检测算法对所述监控视频图像进行人员检测处理，得到人员检测结果标记框在所述监控视频图像中的位置；根据所述人员检测结果标记框的位置，从所述监控视频图像中截取出框内图像作为待检人员图像。4.如权利要求1所述的人员识别方法，其特征在于，针对所述待检人员图像和给定的目标人员图像，基于卷积神经网络获取到对应的全局特征图，包括：将人员图像输入卷积神经网络，通过该卷积神经网络的多层卷积、池化和采样处理，使输入图像编码成全局特征图，其中，所述人员图像为所述待检人员图像或给定的目标人员图像，所述卷积神经网络的最后一次空间降采样的步长设置为一。5.如权利要求1所述的人员识别方法，其特征在于，针对所述待检人员图像和所述目标人员图像，基于人体关键点模型和对应的全局特征图，获取到对应的多个局部特征，包括：
基于人体关键点模型获取到人员图像的多张局部热图，其中，所述人员图像为所述待检人员图像或所述目标人员图像；针对所述多张局部热图中的各张局部热图，对所述人员图像的全局特征图和对应的热图先进行像素级别的乘积处理，再进行平均池化处理，得到对应的局部特征。6.如权利要求1所述的人员识别方...
【专利技术属性】
技术研发人员：薛耿剑，武对娣，黄海清，戚进，胡洁，
申请(专利权)人：成都百新智联科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。