技术摘要：
本发明公开了一种基于图像关联人物信息的目标人员搜索方法，属于人员搜索领域，本发明方法包括：对数据集中的图像进行数据预处理，调整图像的大小为统一尺寸，对预处理过的图像进行特征提取和多尺度目标检测，标记出所有人员的位置；通过关注度模块，自动筛选出有信息 全部
背景技术：
人员搜索是计算机视觉中的一项基本且重要的研究课题。人员搜索在与视频监控 相关的应用中具有巨大潜力，如查找罪犯，跨摄像头人员跟踪。这些应用与公共安全息息相 关，因此人员搜索近年来受到越来越多的关注。 传统的人员搜索任务仅仅关注不同相机之间所拍摄的人员是否匹配。这些方法大 部分基于个人整体特征来做出判断，没有关注人员的局部特征，很难区分穿着相似的两个 人。在现实中，人们很可能会成群结伴的走在一起。即使独自行走时，出现在同一场景中的 其他临近人员也包含着重要的环境信息。基于以上分析，使用分块化特征提取方法并充分 利用图像中的关联人物信息是解决现实中人员搜索的一个有希望的方向。
技术实现要素：
针对现有技术中存在的上述技术问题，本发明提出了一种基于图像关联人物信息 的目标人员搜索方法，设计合理，克服了现有技术的不足，具有良好的效果。 为了实现上述目的，本发明采用如下技术方案： 一种基于图像关联人物信息的目标人员搜索方法，包括以下步骤： 步骤1：对数据集中的图像进行数据预处理，调整图像的大小为统一尺寸，成对的 图像输入到网络中进行特征提取和多尺度目标检测，检测到的人员用标记框做标记； 步骤2：截取出步骤1过程中标记框所标记的人员，喂入残差网络中进行特征提取， 通过关注度模块，自动筛选出有信息价值的关联人物； 步骤3：建立一个关联信息图，通过图卷积模块，计算目标人员与待匹配人员之间 的整体相似度。 优选地，所述步骤2的具体步骤如下： 步骤2.1：截取出标记框所标记的行人，继续喂入残差网络中； 步骤2.2：分别对图像中所检测到人员的上身、躯干、下半身和全身进行特征提取； 步骤2.3：搭建关注度模块的网络结构，将步骤2.2中提取到的特征喂入关注度模 块中，关注度模块的网络输出由两个全连接层和一个Softmax层组成，输出4个归一化的权 重值：w1、w2、w3、w4，其中，w1代表上身的权重值，w2代表躯干的权重值，w3代表下半身的权重 值，w4代表全身所占的权重值； 步骤2.4：利用余弦相似度，计算目标人员与待匹配人员之间的相似度， 来 表示检测到的对象j和k的第r部分的特征；总体相似度表示为不同部分之和，计算方法为： 4 CN 111581418 A 说 明 书 2/4 页 R为划分的具体块数：分别为上身、躯干、下半身和全身， 表示特征对之 间的余弦相似度，wr是第r部分的权重值； 步骤2.5：自动选取彼此之间相似度高的人员进行配对。 优选地，所述的步骤3的具体步骤如下： 步骤3.1：假设有N个关联人物匹配对； 步骤3.2：构建一个图，设定目标人员节点是图的中心，它连接所有的关联人物节 点进行信息传播和特征更新； 步骤3.3：训练一个图卷积网络来计算目标人员对之间的相似性；具体包括如下步 骤： 步骤3.3.1：对于图G＝{V,E}，由N个顶点V和一组边E组成，如果一对图像含有M个 关联人物对，则N＝M 1，图中的每一个节点分配一对特征，如果将目标人员的节点赋值为图 中的第一个节点，其邻接矩阵A为： 其中，i,j∈{1,...,N}； 步骤3.3.2：将邻接矩阵A归一化，记作 逐层的图卷积网络的传播公式为： 其中，H是代表层，上标l代表第几层，W(l)为每一层的权值矩阵，σ代表所使用的激 活函数； 步骤3.3.3：利用全连通层将所有顶点特征合并到一个1024维特征向量中，通过 softmax层输出相似度。 本发明所带来的有益技术效果： 本发明可以广泛应用于监控、安防等领域的人员搜索系统中，使用分块化特征提 取方法并充分利用图像中的关联人物信息，提升判断可疑人员是否为目标人员的准确性。 附图说明 图1是本发明方法的流程图； 图2是本发明的人员检测和特征学习网络结构图； 图3是本发明的图卷积模块的网络结构图。
本发明公开了一种基于图像关联人物信息的目标人员搜索方法，属于人员搜索领域，本发明方法包括：对数据集中的图像进行数据预处理，调整图像的大小为统一尺寸，对预处理过的图像进行特征提取和多尺度目标检测，标记出所有人员的位置；通过关注度模块，自动筛选出有信息 全部
背景技术：
人员搜索是计算机视觉中的一项基本且重要的研究课题。人员搜索在与视频监控 相关的应用中具有巨大潜力，如查找罪犯，跨摄像头人员跟踪。这些应用与公共安全息息相 关，因此人员搜索近年来受到越来越多的关注。 传统的人员搜索任务仅仅关注不同相机之间所拍摄的人员是否匹配。这些方法大 部分基于个人整体特征来做出判断，没有关注人员的局部特征，很难区分穿着相似的两个 人。在现实中，人们很可能会成群结伴的走在一起。即使独自行走时，出现在同一场景中的 其他临近人员也包含着重要的环境信息。基于以上分析，使用分块化特征提取方法并充分 利用图像中的关联人物信息是解决现实中人员搜索的一个有希望的方向。
技术实现要素：
针对现有技术中存在的上述技术问题，本发明提出了一种基于图像关联人物信息 的目标人员搜索方法，设计合理，克服了现有技术的不足，具有良好的效果。 为了实现上述目的，本发明采用如下技术方案： 一种基于图像关联人物信息的目标人员搜索方法，包括以下步骤： 步骤1：对数据集中的图像进行数据预处理，调整图像的大小为统一尺寸，成对的 图像输入到网络中进行特征提取和多尺度目标检测，检测到的人员用标记框做标记； 步骤2：截取出步骤1过程中标记框所标记的人员，喂入残差网络中进行特征提取， 通过关注度模块，自动筛选出有信息价值的关联人物； 步骤3：建立一个关联信息图，通过图卷积模块，计算目标人员与待匹配人员之间 的整体相似度。 优选地，所述步骤2的具体步骤如下： 步骤2.1：截取出标记框所标记的行人，继续喂入残差网络中； 步骤2.2：分别对图像中所检测到人员的上身、躯干、下半身和全身进行特征提取； 步骤2.3：搭建关注度模块的网络结构，将步骤2.2中提取到的特征喂入关注度模 块中，关注度模块的网络输出由两个全连接层和一个Softmax层组成，输出4个归一化的权 重值：w1、w2、w3、w4，其中，w1代表上身的权重值，w2代表躯干的权重值，w3代表下半身的权重 值，w4代表全身所占的权重值； 步骤2.4：利用余弦相似度，计算目标人员与待匹配人员之间的相似度， 来 表示检测到的对象j和k的第r部分的特征；总体相似度表示为不同部分之和，计算方法为： 4 CN 111581418 A 说 明 书 2/4 页 R为划分的具体块数：分别为上身、躯干、下半身和全身， 表示特征对之 间的余弦相似度，wr是第r部分的权重值； 步骤2.5：自动选取彼此之间相似度高的人员进行配对。 优选地，所述的步骤3的具体步骤如下： 步骤3.1：假设有N个关联人物匹配对； 步骤3.2：构建一个图，设定目标人员节点是图的中心，它连接所有的关联人物节 点进行信息传播和特征更新； 步骤3.3：训练一个图卷积网络来计算目标人员对之间的相似性；具体包括如下步 骤： 步骤3.3.1：对于图G＝{V,E}，由N个顶点V和一组边E组成，如果一对图像含有M个 关联人物对，则N＝M 1，图中的每一个节点分配一对特征，如果将目标人员的节点赋值为图 中的第一个节点，其邻接矩阵A为： 其中，i,j∈{1,...,N}； 步骤3.3.2：将邻接矩阵A归一化，记作 逐层的图卷积网络的传播公式为： 其中，H是代表层，上标l代表第几层，W(l)为每一层的权值矩阵，σ代表所使用的激 活函数； 步骤3.3.3：利用全连通层将所有顶点特征合并到一个1024维特征向量中，通过 softmax层输出相似度。 本发明所带来的有益技术效果： 本发明可以广泛应用于监控、安防等领域的人员搜索系统中，使用分块化特征提 取方法并充分利用图像中的关联人物信息，提升判断可疑人员是否为目标人员的准确性。 附图说明 图1是本发明方法的流程图； 图2是本发明的人员检测和特征学习网络结构图； 图3是本发明的图卷积模块的网络结构图。
