一种基于特征融合的行人再识别方法与流程

1.本发明涉及特征融合的行人再识别技术领域，尤其涉及一种基于特征融合的行人再识别方法。


背景技术：

2.基于特征表示的方法目的是提取具有鲁棒性的特征对行人进行表示，行人再识别使用的特征可以分为三类：视觉特征、滤波器特征、属性特征，基于度量学习的方法在于学习两张图片之间的相似性，在行人再识别上的应用通常是在特征表示的基础上，利用特征之间的相似性对行人图像之间的相似性做出判别，通过学习一个具有较强判别力的距离度量函数，使得同一行人之间的距离尽可能的小，不同行人之间的距离尽可能的大，特征是行人再识别的基础，特征的辨识力的高低直接影响行人再识别的最终结果。
3.行人再识别就是给定某个监控摄像系统中的某个目标样本，在另一个监控摄像系统中找出能与该目标正确匹配起来的样本，通俗点说就是判断在一个给定的监控摄像系统中出现的目标样本是否与在另一监控摄像系统中出现的样本为同一个人。
4.行人再识别技术已经渗透到很多领域，例如行人追踪、智慧交通等，但目前的摄像机一般都是固定安装在设备上面的比如监测门的上面，检测门的宽度较大，摄像机只能根据行人的一个角度进行检测，同时摄像机在长期的使用过程中会出现在摄像机头的上面积累灰尘的现象，因为这些影响因素让行人再识别算法在实际应用中的效果差强人意。
5.因此，有必要提供一种新的一种基于特征融合的行人再识别方法解决上述技术问题。


技术实现要素：

6.为解决上述技术问题，本发明提供一种基于特征融合的行人再识别方法。
7.本发明提供的一种基于特征融合的行人再识别方法，本算法使用基于vggnet-16与densenet并联融合的网络作为行人的特征提取网络，算法的步骤包括：
8.s1:准备好行人通过监测门再识别数据集，将其划分为训练集tr，验证val，候选行人集g，待检索集q；
9.s2:将数据集进行数据增强，增强方法包括随机裁剪、随机水平翻转、归一化等；
10.s3:本算法用vggnet-16与densenet并联融合的网络作为行人的特征提取网络；
11.s4:用并联网络提取行人特征，训练并联网络模型，并得到训练后的网络模型；
12.s5:将步骤4得到的图像特征用softmax分类器进行分类，训练分类器，得到分类器模型；
13.s6:训练后的vggnet-16与densenet并联融合网络与分类器模型组成完整的行人再识别模型，对训练后的行人再识别模型进行测试。
14.优选的，所述步骤5中测试步骤包括：
15.s1:输入候选行人集g，待检索集q；
16.s2:用训练好的vggnet-16与densenet并联融合网络行人再识别模型，提取候选行人集gallery，待检索集q的特征；
17.s3:计算候选集g与待检索集q的余弦距离；
18.s4:将所有3计算结果按照相似度大小进行排序；
19.s5:计算rank-1，rank-5，rank-10和map的值。
20.优选的，所述本算法选择densenet121网络作为基本网络，将基于vggnet-16与densenet以并联的方式，进行特征融合。
21.优选的，所述基于vggnet-16与densenet并联网络模型的结构为输入层、vggnet-16与densenet的网络特征提取层、contact特征融合层、droupout层、池化层、全连接层、softmax分类器。
22.优选的，所述步骤4中初始学习率是0.005，动量是0.9，正则化系数是0.001，批次数是32，迭代轮数是50轮。
23.优选的，监测门的顶部开设有第一滑槽，第一滑槽的两侧壁上均开设有第二滑槽，第一滑槽的内部设置有第一往复丝杆，第一往复丝杆的外壁螺纹设置有滑块，滑块的外侧设置有传动机构，滑块的底端固定设置有连接杆，连接杆的底端固定设置有摄像机，摄像机屏幕的外侧设置有第二设备箱，第二设备箱的内部设置有除尘机构。
24.优选的，传动机构包括两组开设在滑块两侧的矩形槽，矩形槽的内壁通过轴承设置有第一转轴，第一转轴的外侧固定设置有轮子，一个第一转轴的底端活动贯穿滑块的外壁，且设置有转动产生负压的风扇。
25.优选的，风扇的外侧设置有第三设备箱，另一个第一转轴的底端活动贯穿滑块的外壁，且延伸至第二设备箱的内部，第三设备箱和第二设备箱之间固定设置有连通管。
26.优选的，除尘机构包括有与另一个第一转轴的底端固定连接的第二往复丝杆和开设在第二设备箱内壁上的第三滑槽，第二往复丝杆的外壁上螺纹设置有第一刮板，第一刮板的一端与第三滑槽的内壁滑动连接，第一刮板的另一端滑动设置有第二刮板，第二刮板的尖端滑动设置有吸附灰尘的吸附板，吸附板固定设置在第二设备箱的内壁上。
27.优选的，第一刮板的内壁与第二刮板之间弹性设置有弹簧，吸附板的正下方设置有收集抽屉，收集抽屉滑动设置在第二设备箱的内壁上。
28.与相关技术相比较，本发明提供的一种基于特征融合的行人再识别方法具有如下有益效果：
29.1、本发明提供的一种基于特征融合的行人再识别方法，通过传动机构，在第一往复丝杆进行转动的时候，滑块会在第一往复丝杆的上面进行往复运动，在滑块的底端安装了摄像机，在滑块往复运动的时候，轮子会和第二滑槽滑动连接，不仅会对滑块的运动进行限位，同时会带动第一转轴进行转动，在第一转轴进行转动的时候，其中一个会带动风扇进行转动，在风扇转动的时候，在第三设备箱的里面安装了单向阀门，第三设备箱的里面会形成负压通过连通管和第二设备箱对摄像机上面的灰尘进行检测，确保摄像机检测的结果不会影响vggnet-与densenet并联融合的网络的数据采集，提高了vggnet-与densenet并联融合的网络的采集效率和准确性；
30.2、本发明提供的一种基于特征融合的行人再识别方法，通过除尘机构，在通过除尘机构将摄像机上面的灰尘吸附的时候，灰尘会被收集在吸附板的上面，在吸附板上面的
灰尘会通过第二刮板进行清除，具体的操作步骤是，在另一个第一转轴转动的时候会带动第二往复丝杆转动，在第二往复丝杆转动的时候会将与其螺纹连接的第一刮板进行运动，第一刮板由于第三滑槽的限位会在第二往复丝杆的上面做往复运动，这样就可以实现控制第二刮板对吸附板进行清洁，并将清洁的灰尘刮落至收集抽屉的上面，最后在通过人工取出即可。
31.本发明提供一种基于特征融合的行人再识别方法，在具体实施时，第一往复丝杆通过电机带动转动的，第一往复丝杆上面的滑块会随着第一往复丝杆的运动进行运动，同时在滑块上设置的传动机构可以实现对滑块的限位，在第一往复丝杆进行转动的时候，滑块会在第一往复丝杆的上面进行往复运动，在滑块的底端安装了摄像机，在滑块往复运动的时候，轮子会和第二滑槽滑动连接，不仅会对滑块的运动进行限位，同时会带动第一转轴进行转动，在第一转轴进行转动的时候，其中一个会带动风扇进行转动，在风扇转动的时候，在第三设备箱的里面安装了单向阀门，第三设备箱的里面会形成负压通过连通管和第二设备箱对摄像机上面的灰尘进行检测，确保摄像机检测的结果不会影响vggnet-与densenet并联融合的网络的数据采集，提高了vggnet-与densenet并联融合的网络的采集效率和准确性，在通过除尘机构将摄像机上面的灰尘吸附的时候，灰尘会被收集在吸附板的上面，在吸附板上面的灰尘会通过第二刮板进行清除，具体的操作步骤是，在另一个第一转轴转动的时候会带动第二往复丝杆转动，在第二往复丝杆转动的时候会将与其螺纹连接的第一刮板进行运动，第一刮板由于第三滑槽的限位会在第二往复丝杆的上面做往复运动，这样就可以实现控制第二刮板对吸附板进行清洁，并将清洁的灰尘刮落至收集抽屉的上面，最后在通过人工取出即可。
附图说明
32.图1为本发明的方法第一流程图；
33.图2为本发明的方法第二流程图；
34.图3为本发明的vggnet-16与densenet并联网络模型结构图；
35.图4为本发明的监测门的立体图；
36.图5为本发明的图4所示的a部放大示意图；
37.图6为本发明的监测门的侧剖图；
38.图7为本发明的传动机构的立体图；
39.图8为本发明的滑块的立体图；
40.图9为本发明的除尘机构的正视图；
41.图10为本发明的图9所示的b部放大示意图；
42.图11为本发明的除尘机构的立体机构示意图。
43.图中标号：1、监测门；3、第一滑槽；4、滑块；5、传动机构；7、第二设备箱；8、除尘机构；31、第二滑槽；41、第一往复丝杆；51、轮子；52、第一转轴；53、第三设备箱；54、连通管；55、风扇；61、连接杆；62、摄像机；82、吸附板；83、收集抽屉；84、第一刮板；85、第二刮板；86、第二往复丝杆；87、第三滑槽；88、弹簧。
具体实施方式
44.下面结合附图和实施方式对本发明作进一步说明。
45.请结合参阅图1、图2、图3、图4、图5、图6、图7、图8、图9、图10和图11，其中，图1为本发明的方法第一流程图；图2为本发明的方法第二流程图；图3为本发明的vggnet-16与densenet并联网络模型结构图；图4为本发明的监测门的立体图；图5为本发明的图4所示的a部放大示意图；图6为本发明的监测门的侧剖图；图7为本发明的传动机构的立体图；图8为本发明的滑块的立体图；图9为本发明的吸尘机构的正视图；图10为本发明的图9所示的b部放大示意图；图11为本发明的除尘机构的立体机构示意图。包括：1、监测门；3、第一滑槽；4、滑块；5、传动机构；7、第二设备箱；8、除尘机构；31、第二滑槽；41、第一往复丝杆；51、轮子；52、第一转轴；53、第三设备箱；54、连通管；55、风扇；61、连接杆；62、摄像机；81、连通口；82、吸附板；83、收集抽屉；84、第一刮板；85、第二刮板；86、第二往复丝杆；87、第三滑槽；88、弹簧。
46.为了解决提供更好的基于特征融合的行人再识别方法，如图1-图3所示，根据以下技术方案：
47.一种基于特征融合的行人再识别方法，本算法使用基于vggnet-16与densenet并联融合的网络作为行人的特征提取网络，算法的步骤包括：
48.s1:准备好行人通过监测门1再识别数据集，将其划分为训练集tr，验证val，候选行人集g，待检索集q；
49.s2:将数据集进行数据增强，增强方法包括随机裁剪、随机水平翻转、归一化等；
50.s3:本算法用vggnet-16与densenet并联融合的网络作为行人的特征提取网络；
51.s4:用并联网络提取行人特征，训练并联网络模型，并得到训练后的网络模型；
52.s5:将步骤4得到的图像特征用softmax分类器进行分类，训练分类器，得到分类器模型；
53.s6:训练后的vggnet-16与densenet并联融合网络与分类器模型组成完整的行人再识别模型，对训练后的行人再识别模型进行测试。
54.具体的，本算法实验选择的数据集是market-1501数据集，包括751个行人，32,668张行人图像，用imagenet数据集训练后的预处理模型，分别将vggnet-16和densenet进行权重的初始化。
55.进一步的，如图1-3所示，提供以下优选技术方案：
56.步骤5中测试步骤包括：
57.s1:输入候选行人集g，待检索集q；
58.s2:用训练好的vggnet-16与densenet并联融合网络行人再识别模型，提取候选行人集gallery，待检索集q的特征；
59.s3:计算候选集g与待检索集q的余弦距离；
60.s4:将所有3计算结果按照相似度大小进行排序；
61.s5:计算rank-1，rank-5，rank-10和map的值。
62.具体的，表1是基于vggnet-16与densenet并联融合网络的行人再识别模型rank-n和map的值。
63.表1
64.网络模型rank-1rank-5rank-10mapdensenet89.96％96.17％97.83％73.63％vggnet16-densenet90.23％96.32％97.83％74.55％
65.进一步的，如图1-3所示，提供以下优选技术方案：
66.本算法选择densenet121网络作为基本网络，将基于vggnet-16与densenet以并联的方式，进行特征融合。
67.进一步的，如图1-3所示，提供以下优选技术方案：
68.基于vggnet-16与densenet并联网络模型的结构为输入层、vggnet-16与densenet的网络特征提取层、contact特征融合层、droupout层、池化层、全连接层、softmax分类器。
69.进一步的，如图1-3所示，提供以下优选技术方案：
70.步骤4中初始学习率是0.005，动量是0.9，正则化系数是0.001，批次数是32，迭代轮数是50轮。
71.为了提高vggnet-16与densenet并联融合的网络的采集效率和准确性，如图4-图11所示，根据以下技术方案：
72.监测门1的顶部开设有第一滑槽3，第一滑槽3的两侧壁上均开设有第二滑槽31，第一滑槽3的内部设置有第一往复丝杆41，第一往复丝杆41的外壁螺纹设置有滑块4，滑块4的外侧设置有传动机构5，滑块4的底端固定设置有连接杆61，连接杆61的底端固定设置有摄像机62，摄像机62屏幕的外侧设置有第二设备箱7，第二设备箱7的内部设置有除尘机构8。
73.具体的，第一往复丝杆41通过电机带动转动的，第一往复丝杆41上面的滑块4会随着第一往复丝杆41的运动进行运动，同时在滑块4上设置的传动机构5可以实现对滑块4的限位。
74.进一步的，如图4-11所示，提供以下优选技术方案：
75.传动机构5包括两组开设在滑块4两侧的矩形槽，矩形槽的内壁通过轴承设置有第一转轴52，第一转轴52的外侧固定设置有轮子51，一个第一转轴52的底端活动贯穿滑块4的外壁，且设置有转动产生负压的风扇55。
76.具体的，在第一往复丝杆41进行转动的时候，滑块4会在第一往复丝杆41的上面进行往复运动，在滑块4的底端安装了摄像机62，在滑块4往复运动的时候，轮子51会和第二滑槽31滑动连接，不仅会对滑块4的运动进行限位，同时会带动第一转轴52进行转动，在第一转轴52进行转动的时候，其中一个会带动风扇55进行转动，在风扇55转动的时候，在第三设备箱53的里面安装了单向阀门，第三设备箱53的里面会形成负压通过连通管54和第二设备箱7对摄像机62上面的灰尘进行检测，确保摄像机62检测的结果不会影响vggnet-16与densenet并联融合的网络的数据采集，提高了vggnet-16与densenet并联融合的网络的采集效率和准确性。
77.进一步的，如图4-11所示，提供以下优选技术方案：
78.风扇55的外侧设置有第三设备箱53，另一个第一转轴52的底端活动贯穿滑块4的外壁，且延伸至第二设备箱7的内部，第三设备箱53和第二设备箱7之间固定设置有连通管54。
79.具体的，第三设备箱53的主要目的是对风扇55进行防护，并通过连通管54对摄像机62的摄像头进行吸尘。
80.进一步的，如图4-11所示，提供以下优选技术方案：
81.除尘机构8包括有与另一个第一转轴52的底端固定连接的第二往复丝杆86和开设在第二设备箱7内壁上的第三滑槽87，第二往复丝杆86的外壁上螺纹设置有第一刮板84，第一刮板84的一端与第三滑槽87的内壁滑动连接，第一刮板84的另一端滑动设置有第二刮板85，第二刮板85的尖端滑动设置有吸附灰尘的吸附板82，吸附板82固定设置在第二设备箱7的内壁上。
82.具体的，在通过除尘机构8将摄像机62上面的灰尘吸附的时候，灰尘会被收集在吸附板82的上面，在吸附板82上面的灰尘会通过第二刮板85进行清除，具体的操作步骤是，在另一个第一转轴52转动的时候会带动第二往复丝杆86转动，在第二往复丝杆86转动的时候会将与其螺纹连接的第一刮板84进行运动，第一刮板84由于第三滑槽87的限位会在第二往复丝杆86的上面做往复运动，这样就可以实现控制第二刮板85对吸附板82进行清洁，并将清洁的灰尘刮落至收集抽屉83的上面，最后在通过人工取出即可。
83.进一步的，如图4-11所示，提供以下优选技术方案：
84.第一刮板84的内壁与第二刮板85之间弹性设置有弹簧88，吸附板82的正下方设置有收集抽屉83，收集抽屉83滑动设置在第二设备箱7的内壁上。
85.具体的，由于吸附板82是斜着安装在第三设备箱53的里面的，所以在第一刮板84和第二刮板85之间安装了弹簧88，会便于第二刮板85的收缩，将吸附板82上面的灰尘刮干净。
86.本发明提供的工作原理如下：第一往复丝杆41通过电机带动转动的，第一往复丝杆41上面的滑块4会随着第一往复丝杆41的运动进行运动，同时在滑块4上设置的传动机构5可以实现对滑块4的限位，在第一往复丝杆41进行转动的时候，滑块4会在第一往复丝杆41的上面进行往复运动，在滑块4的底端安装了摄像机62，在滑块4往复运动的时候，轮子51会和第二滑槽31滑动连接，不仅会对滑块4的运动进行限位，同时会带动第一转轴52进行转动，在第一转轴52进行转动的时候，其中一个会带动风扇55进行转动，在风扇55转动的时候，在第三设备箱53的里面安装了单向阀门，第三设备箱53的里面会形成负压通过连通管54和第二设备箱7对摄像机62上面的灰尘进行检测，确保摄像机62检测的结果不会影响vggnet-16与densenet并联融合的网络的数据采集，提高了vggnet-16与densenet并联融合的网络的采集效率和准确性，在通过除尘机构8将摄像机62上面的灰尘吸附的时候，灰尘会被收集在吸附板82的上面，在吸附板82上面的灰尘会通过第二刮板85进行清除，具体的操作步骤是，在另一个第一转轴52转动的时候会带动第二往复丝杆86转动，在第二往复丝杆86转动的时候会将与其螺纹连接的第一刮板84进行运动，第一刮板84由于第三滑槽87的限位会在第二往复丝杆86的上面做往复运动，这样就可以实现控制第二刮板85对吸附板82进行清洁，并将清洁的灰尘刮落至收集抽屉83的上面，最后在通过人工取出即可。
87.本发明中涉及的电路以及控制均为现有技术，在此不进行过多赘述。
88.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。