一种基于目标运动特性的视频行人重识别方法

技术特征：
1.一种基于目标运动特性的视频行人重识别方法，其特征在于，包括如下步骤：步骤1：建立目标特征提取基础网络，基础网络由残差卷积神经网络resnet-50的五个卷积模块组成，将这五个模块分别记为l0、l1、l2、l3、l4；步骤2、建立目标运动特性提取层，记为m0、m1、m2、m3，具体如下：步骤2-1：从视频中截取t帧图像，将t帧图像分别独立输入l0，提取图像特征分别为f
i
，i＝1,...,t；步骤2-2：计算参考特征2：计算参考特征其中，w为待学习的参数；c、h和w分别为图像特征的通道数、高度和宽度；为了保证与f
i
具有相同的尺寸，通道数设为1；步骤2-3：计算运动特性特征：其中，a是和f
i
的关系矩阵，g
i
为运动特性特征，与f
i
具有相同的尺寸；步骤2-4：将g
i
分别独立输入l1，提取图像特征作为f
i
，重复步骤2-2和步骤2-3，依次遍历l2、l3、l4；步骤2-5：将l0到l1中间的目标运动特性提取层记为m0，将l1到l2中间的目标运动特性提取层记为m1，将l2到l3中间的目标运动特性提取层记为m2，将l3到l4中间的目标运动特性提取层记为m3，得到视频行人特征提取网络，该网络构成为l0、m0、l1、m1、l2、m2、l3、m3、l4依次排列；l4输出的特征通过平均池化层进行降维，最终输出视频行人重识别特征；步骤3：训练步骤2所创建的视频行人特征提取网络，得到训练完成的视频行人特征提取网络；训练过程中采用三元损失函数和softmax交叉熵损失函数进行联合训练；步骤4：将待识别行人数据和数据库中的存储数据分别输入训练完成的视频行人特征提取网络进行特征提取，得到待识别行人数据特征向量和存储数据特征向量；步骤5：分别计算待识别行人数据特征向量和每个存储数据特征向量之间的余弦相似度，并取待识别行人数据与数据库中存储数据中余弦相似度最高的样本作为成功匹配的样本，即为视频行人重识别结果。2.根据权利要求1所述的一种基于目标运动特性的视频行人重识别方法，其特征在于，所述余弦相似度采用如下公式计算：其中，n是特征向量的维度，x
g
为第g个行人对应的特征向量，g＝1,...,n，n为待识别行人数，y
j
为第j个目标对应的特征向量，j＝1,...,m，m为数据库中的存储数据数量。

技术总结
本发明公开了一种基于目标运动特性的视频行人重识别方法，首先建立目标特征提取基础网络，再建立目标运动特性提取层，再将基础网络的各个模块与运动特性提取层依次进行组合，搭建得到视频行人特征提取网络，对视频行人特征提取网络进行训练；将待识别行人数据和数据库中的存储数据分别输入训练完成的视频行人特征提取网络进行特征提取，得到待识别行人数据特征向量和存储数据特征向量；分别计算待识别行人数据特征向量和每个存储数据特征向量之间的余弦相似度，并取待识别行人数据与数据库中存储数据中余弦相似度最高的样本作为成功匹配的样本，即为视频行人重识别结果。本发明中充分利用了视频数据时空信息，增强了对行人目标的特征提取能力。人目标的特征提取能力。人目标的特征提取能力。


技术研发人员：张科 福辉 李浩宇 王靖宇 苏雨
受保护的技术使用者：西北工业大学
技术研发日：2022.03.02
技术公布日：2022/7/1