【技术实现步骤摘要】
本专利技术涉及身份识别，具体涉及基于重识别的识别模型建立、识别方法、装置及存储介质。
技术介绍
1、目前广泛应用于图像领域的身份识别技术是人脸识别，然而在某些具体场景中，人脸识别难以应用，原因在于：视频监控所提取的图像广泛存在后脑勺和侧脸等情况；距离监控较远的人脸提取出来的像素不够高，以上两点原因导致在识别系统中难以直接应用人脸识别技术，然而，在此种场景下采用行人重识别技术作为识别方法是一个较好的选择，因为在监控摄像头中获取行人图像相对容易。
2、传统的行人重识别技术一般包括颜色直方图、lbp(local binary pattern)和sift等方法，提取行人的外貌特征和不变性特征等。
3、考虑到真实应用场景中行人姿态和背景的高度变化性，传统方法在处理这些情况时存在一定的局限性。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供基于重识别的识别模型建立、识别方法、装置及存储介质，以解决现有技术中，通过颜色直方图、lbp(local binary pattern)和sift等方法提取行人的外貌特征和不变性特征等时，由于真实应用场景中行人姿态和背景的高度变化性，会导致身份识别的精准度不高的问题。
2、根据本专利技术实施例的第一方面，提供基于重识别的识别模型建立方法，所述方法包括：
3、获取多个行人图片，每个行人图片包括正面照、侧面照和背面照，对所述每个行人图片裁剪为固定大小的图片；
4、对剪裁后的行人图片进行预处理，得到
5、将所述样本图片输入到resnet50模型中，通过resnet50模型得到不同大小的特征图以及全局特征图；
6、将所述不同大小的特征图通过3×3卷积核进行卷积后输入到局部特征提取模块cbam中，所述局部特征提取模块cbam对所述不同大小的特征图进行局部特征提取融合，输出局部特征图；
7、对所述局部特征图以及全局特征图进行自适应池化分别得到固定大小的局部特征图以及全局特征图；
8、对所述固定大小的局部特征图进行切割，得到x张切割后的局部特征图，对所述固定大小的全局特征图进行切割，得到y张切割后的全局特征图；
9、将所述x张切割后的局部特征图分别输入到分类器中，基于交叉熵损失函数得到局部损失，将所述y张切割后的全局特征图分别输入到分类器中，基于三元组损失函数得到全局损失；
10、通过所述局部损失以及全局损失得到总损失，设置resnet50模型的各项初始参数，以所述总损失满足预设的损失阈值为目标对所述resnet50模型的各项参数进行训练，建立识别模型。
11、优选地，
12、所述将所述样本图片输入到resnet50模型中，通过resnet50模型得到局部特征图以及全局特征图包括：
13、将所述样本图片输入到resnet50模型中，所述样本图片通过resnet50模型的layer1层得到第一大小的特征图，所述第一大小的特征图通过resnet50模型的layer2层得到第二大小的特征图，所述第二大小的特征图通过resnet50模型的layer3层得到第三大小的特征图，所述第三大小的特征图通过resnet50模型的layer4层得到全局特征图。
14、优选地，
15、所述对剪裁后的行人图片进行预处理，得到样本图片包括：
16、采用双线性插值的方法将剪裁后的行人图片进行缩放到预设的固定大小；
17、将经过缩放后的图片按照一定概率p进行擦除，擦除区域的像素值大小在0到255之间随机选取，擦除区域面积小于原面积的0.5；
18、将经过擦除后的图片按照一定概率k随机进行翻转和旋转，得到所述样本图片。
19、优选地，
20、所述设置resnet50模型的各项初始参数包括：
21、设置resnet50模型训练的epoch为30，学习率lr为0.0001，batchsize为32，优化器为sgd，dropout为0.5，学习率热启动epoch为10。
22、根据本专利技术实施例的第二方面，提供基于重识别的识别方法，所述识别方法利用上述建立方法得到的所述识别模型，所述识别方法包括：
23、获取待识别目标的正面照一张、侧面照两张和背面照一张，并对照片进行预处理，将预处理的照片通过识别模型提取身份特征，将所述身份特征进行存储记录，建立身份特征库；
24、获取摄像头下的行人照片，对所述行人照片通过识别模型提取身份特征，将所述身份特征与所述身份特征库内的各个待识别目标的身份特征数据进行相似度计算，获取相似度排名前n个身份id进行输出，作为身份识别的结果。
25、优选地，还包括：
26、获取不同编号的摄像头下的行人照片，对不同摄像头下的行人照片通过识别模型进行身份特征提取，选取不同摄像头下的行人照片的身份特征相似度最高的一组或多组作为同一人在不同摄像头下的照片；
27、获取同一人在不同摄像头下的照片所对应的摄像头编号，根据所述摄像头编号建立该行人的移动轨迹。
28、根据本专利技术实施例的第三方面，提供基于重识别的识别模型建立装置，所述装置包括：
29、图片获取模块：用于获取多个行人图片，每个行人图片包括正面照、侧面照和背面照，对所述每个行人图片裁剪为固定大小的图片；
30、图片预处理模块：用于对剪裁后的行人图片进行预处理，得到样本图片；
31、第一特征获取模块：用于将所述样本图片输入到resnet50模型中，通过resnet50模型得到不同大小的特征图以及全局特征图；
32、第二特征获取模块：用于将所述不同大小的特征图通过3×3卷积核进行卷积后输入到局部特征提取模块cbam中，所述局部特征提取模块cbam对所述不同大小的特征图进行局部特征提取融合，输出局部特征图；
33、第三特征获取模块：用于对所述局部特征图以及全局特征图进行自适应池化分别得到固定大小的局部特征图以及全局特征图；
34、特征切割模块：用于对所述固定大小的局部特征图进行切割，得到x张切割后的局部特征图，对所述固定大小的全局特征图进行切割，得到y张切割后的全局特征图；
35、损失建立模块：用于将所述x张切割后的局部特征图分别输入到分类器中，基于交叉熵损失函数得到局部损失，将所述y张切割后的全局特征图分别输入到分类器中，基于三元组损失函数得到全局损失；
36、训练模块：用于通过所述局部损失以及全局损失得到总损失，设置resnet50模型的各项初始参数，以所述总损失满足预设的损失阈值为目标对所述resnet50模型的各项参数进行训练，建立识别模型。
37、根据本专利技术实施例的第四方面，提供基于重识别的识别装置，所述识别装置利用上述建立方法得到的所述识别模型，所述识别装置包括：
38、特征库建立模块：用于获取待识别目标本文档来自技高网...
【技术保护点】
1.基于重识别的识别模型建立方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，
4.根据权利要求2所述的方法，其特征在于，
5.基于重识别的识别方法，其特征在于，所述识别方法利用权利要求1-4任意一项所述建立方法得到的所述识别模型，所述识别方法包括：
6.根据权利要求5所述的方法，其特征在于，还包括：
7.基于重识别的识别模型建立装置，其特征在于，所述装置包括：
8.基于重识别的识别装置，其特征在于，所述识别装置利用权利要求1-4任意一项所述建立方法得到的所述识别模型，所述识别装置包括：
9.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现如权利要求1-4任一项所述的基于重识别的识别模型建立方法或权利要求5-6任一项所述的基于重识别的识别方法中的各个步骤。
【技术特征摘要】
1.基于重识别的识别模型建立方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，
4.根据权利要求2所述的方法，其特征在于，
5.基于重识别的识别方法，其特征在于，所述识别方法利用权利要求1-4任意一项所述建立方法得到的所述识别模型，所述识别方法包括：
6.根据权利要求5所述的方法，其特征在于，还包括：
【专利技术属性】
技术研发人员：滕达，李世杰，尹聪，王文通，于延锁，余卫勇，刘强，
申请(专利权)人：北京石油化工学院，
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。