CN109614907A - 基于特征强化引导卷积神经网络的行人再识别方法及装置 - Google Patents

Abstract

基于特征强化引导卷积神经网络的行人再识别方法及装置，方法包括：1)收集行人图像数据并做好分类标签，并将分类后的行人图像数据分为训练集和测试集；2)构建特征强化引导的卷积神经网络；3)将步骤1)中的训练集特征强化引导的卷积神经网络，训练得到的行人再识别的预训练模型；4)用步骤1)中的测试集测试步骤3)中训练得到的预训练模型，根据测试结果调整训练参数重新训练，得到最佳预训练模型；5)使用目标场景中的部分目标行人图像训练最佳预训练模型，得到目标模型，再使用目标模型对行人库中的图像进行检测，得到含有目标行人的目标图像。应用本发明实施例，可以解决现有技术中存在的误差较大的技术问题。

Description

基于特征强化引导卷积神经网络的行人再识别方法及装置

技术领域

本发明涉及行人再识别领域，尤其涉及基于特征强化引导卷积神经网络的行人再识别方法及装置。

背景技术

随着互联网科技的快速发展，安防监控以及智能机器人等对机器视觉技术的需求愈发迫切。在机器视觉科技的研究中，行人识别技术的成熟使得机器在辨别行人的能力上超过人类。然而摄像头并非在任何情况下都可以拍摄到清晰行人。而且，在实际中一个摄像头往往无法覆盖所有区域，而多摄像头之间一般也没有重叠。因此，用行人全身信息来对行人进行锁定或者查找就变得十分必要。通过将整体行人特征作为行人之外的重要补充，实现对行人的跨摄像头跟踪，这就是PRI(Person Re-Identification，行人再识别)技术，从字面意思理解就是对行人进行再次认证识别，是对不同的、没有视野重叠覆盖的摄像机拍摄的行人图像建立对应关系的处理过程。行人再识别识别技术具有易采集、非接触、友好等特点，易于被人接受。例如，公安部门在抓捕逃犯时，使用该技术可以通过监控视频快速追踪逃犯行踪，不仅极大提高工作效率，而且大大节省人力。另外，行人再识别强调的是使机器识别出由不同摄像机所拍摄的特定人员的所有图像。因此，在安防刑侦、目标检索、人员跟踪、人流控制等场景中有很高的应用价值。

目前，行人再识别的方法层出不穷，大都基于普通的卷积神经网络。它们的使用图片方块分块的方法，或是使用关键点辅助的行人特征提取的方法，等等，都取得不错的效果，其原理是，收集大量行人数据并制作标签，设计一种卷积神经网络开始训练模型。选取一张或者几张行人图像提取特征生成模板对待识别行人图像提取特征，比较待识别行人特征和模板特征，通过设定阈值来判断是否是目标行人。

但是，该技术没有解决背景干扰问题，对不同场景适应效果差，进而导致误差较大。

发明内容

本发明所要解决的技术问题在于提供了基于特征强化引导卷积神经网络的行人再识别方法及装置，以解决现有技术中存在的误差较大的技术问题。

本发明实施例提供了基于特征强化引导卷积神经网络的行人再识别方法，所述方法包括：

1)收集行人图像数据并做好分类标签，并将分类后的行人图像数据分为训练集和测试集；

2)构建特征强化引导的卷积神经网络，其中，所述卷积神经网络包含双输入基本网络、主干卷积神经网络、特征强化引导模块；所述特征强化引导模块包括设定数量个子网络层，每一个子网络层均包含卷积层、ReLU激活层、BatchNorm标准化层组成的卷积单元、最大值池化层以及sigmoid层；

3)将步骤1)中的训练集输入所述特征强化引导的卷积神经网络，训练得到的行人再识别的预训练模型；

4)用步骤1)中的测试集测试步骤3)中训练得到的预训练模型，根据测试结果调整训练参数重新训练，并返回步骤3)，直至所述特征强化引导的卷积神经网络收敛，得到最佳预训练模型；

5)收集目标场景中的部分目标行人图像，并使用所述目标场景中的部分目标行人图像训练所述最佳预训练模型，得到目标模型，再使用所述目标模型对行人库中的图像进行特征比对，从而识别出目标行人，得到目标图像。

可选的，所述步骤1)，包括：

将不同场景下的行人的视频监控数据作为行人图像数据来源，针对每一个行人，用行人检测方法抠取出包含同一行人的不同拍摄角度的行人图片，对每一个确定身份的具体行人图片进行分类，并打上标签；

对已分类的行人图片进行数据扩充，具体扩充手段包括：颜色直方图均衡化、水平镜像翻转、高斯模糊和添加随机噪声；

将图像对的集合中的若干图像对的集合作为训练集；将其余的图像对的集合作为测试集。

可选的，使用并行双输入的方式，同时融合原图和掩码图片特征，以获得跟丰富的特征信息；特征强化引导模块所述子网络层中含有的卷积单元和最大值池化层的数量依次递增，并采用sigmoid作为特征强化权重图的门阀，自主学习人体部位细节；持续特征强化引导，在浅层、中层、高层做引导整个网络的特征增强学习。

可选的，所述步骤5)，包括：

使用所述目标模型对可能含有目标行人的图像目标特征向量提取；

计算所述目标特征向量与行人库中每一图片所含有的行人的特征向量的欧式距离，将欧式距离小于预设阈值所对应的图像作为目标图像。

本发明实施例还提供了基于特征强化引导卷积神经网络的行人再识别装置，所述装置包括：

收集模块，用于收集行人图像数据并做好分类标签，并将分类后的行人图像数据分为训练集和测试集；

构建模块，用于构建特征强化引导的卷积神经网络，其中，所述卷积神经网络包含双输入基本网络、主干卷积神经网络、特征强化引导模块；所述特征强化引导模块包括设定数量个子网络层，每一个子网络层均包含卷积层、ReLU激活层、BatchNorm标准化层组成的卷积单元、最大值池化层以及sigmoid层；

训练模块，用于将所述收集模块所收集的训练集输入所述特征强化引导的卷积神经网络，训练得到的行人再识别的预训练模型；

返回模块，用于用所述收集模块中的测试集测试训练模块训练得到的预训练模型，根据测试结果调整训练参数重新训练，并触发所述训练模块，直至所述特征强化引导的卷积神经网络收敛，得到最佳预训练模型；

检测模块，用于收集目标场景中的部分目标行人图像，并使用所述目标场景中的部分目标行人图像训练所述最佳预训练模型，得到目标模型，再使用所述目标模型对行人库中的图像进行特征比对，从而识别出目标行人，得到目标图像。

可选的，所述收集模块，用于：

将不同场景下的行人的视频监控数据作为行人图像数据来源，针对每一个行人，用行人检测方法抠取出包含同一行人的不同拍摄角度的行人图片，对每一个确定身份的具体行人图片进行分类，并打上标签；

对已分类的行人图片进行数据扩充，具体扩充手段包括：颜色直方图均衡化、水平镜像翻转、高斯模糊和添加随机噪声；

利用行人分割模型，对打上分类标签的行人图像数据进行人体区域扣取，获取对应的不含背景的人体掩码图片，并把每一张图像的掩码图片和所述图像的集合作为图像对；

将图像对的集合中的若干图像对的集合作为训练集；将其余的图像对的集合作为测试集。

可选的，所述训练模块，用于：

使用并行双输入的方式，同时融合原图和掩码图片特征，以获得跟丰富的特征信息；特征强化引导模块所述子网络层中含有的卷积单元和最大值池化层的数量依次递增，并采用sigmoid作为特征强化权重图的门阀，自主学习人体部位细节；持续特征强化引导，在浅层、中层、高层做引导整个网络的特征增强学习。

可选的，所述检测模块，用于：

使用所述目标模型对可能含有目标行人的图像目标特征向量提取；

计算所述目标特征向量与行人库中每一图片所含有的行人的特征向量的欧式距离，将欧式距离小于预设阈值所对应的图像作为目标图像。

本发明相比现有技术具有以下优点：

应用本发明实施例，所构建的卷积神经网络包含双输入基本网络、主干卷积神经网络、特征强化引导模块；所述特征强化引导模块的网络包括设定数量个子网络层，每一个子网络层均包含卷积层、ReLU激活层、BatchNorm标准化层组成的卷积单元、最大值池化层以及sigmoid层，通过把训练集中的数据投入特征强化引导模块。利用特征强化引导模块的sigmoid层生成权重特征，再用来影响主干网络特征学习的方式，达到强化引导特征学习的目的，最后达到使整个模型降低误差的效果。

附图说明

图1为本发明实施例提供的基于特征强化引导卷积神经网络的行人再识别方法的流程示意图；

图2为本发明实施例提供的基于特征强化引导卷积神经网络的行人再识别方法的原理示意图；

图3为本发明实施例提供的所训练的特征强化引导卷积神经网络中的数据流向示意图；

图4为本发明实施例提供的所训练的特征强化引导卷积神经网络中的特征强化引导模块的结构示意图；

图5为本发明实施例提供的基于特征强化引导卷积神经网络的行人再识别装置的结构示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

为解决现有技术问题，本发明实施例提供了基于特征强化引导卷积神经网络的行人再识别方法及装置，下面首先就本发明实施例提供的基于特征强化引导卷积神经网络的行人再识别方法进行介绍。

图1为本发明实施例提供的基于特征强化引导卷积神经网络的行人再识别方法的流程示意图；图2为本发明实施例提供的基于特征强化引导卷积神经网络的行人再识别方法的原理示意图，如图1和图2所示，方法包括：

S101：收集行人图像数据并做好分类标签，并将分类后的行人图像数据分为训练集和测试集。

具体的，可以将不同场景下的行人的视频监控数据作为行人图像数据来源，针对每一个行人，用行人检测方法抠取出包含同一行人的不同拍摄角度的行人图片，对每一个确定身份的具体行人图片进行分类，并打上标签；对已分类的行人图片进行数据扩充，具体扩充手段包括：颜色直方图均衡化、水平镜像翻转、高斯模糊和添加随机噪声；利用行人分割模型，对打上分类标签的行人图像数据进行人体区域扣取，获取对应的不含背景的人体掩码图片，并把每一张图像的掩码图片和所述图像的集合作为图像对；将图像对的集合中的若干图像对的集合作为训练集；将其余的图像对的集合作为测试集。

示例性的，本步骤对应图2中的数据预处理步骤，可以通过多台没有视野重叠覆盖的摄像机来收集行人数据。共收集了10000类行人数据，每类20张共200000张行人图像，通过预先训练好的分割网络对这些数据做行人扣取并制作相应的人体掩码图片，最后将处理结果数据分成两部分：训练集(每类15张行人图像)，验证集(每类5张行人图像)；经过多次实验，我们选择将行人图像调整到128*128大小；为了使模型得到充分训练，对训练集做颜色直方图均衡化、水平镜像翻转、高斯模糊、添加随机噪声等操作，以此增强数据。

S102：构建特征强化引导的卷积神经网络，其中，所述卷积神经网络包含双输入基本网络、主干卷积神经网络、特征强化引导模块；所述特征强化引导模块包括设定数量个子网络层，每一个子网络层均包含卷积层、ReLU激活层、BatchNorm标准化层组成的卷积单元、最大值池化层以及sigmoid层。

具体的，所述子网络层中含有的卷积单元和最大值池化层的数量依次递增。

图3为本发明实施例提供的所训练的特征强化引导CNN(Convolutional NeuralNetwork，卷积神经网络)中的数据流向示意图，如图3所示，特征强化引导的卷积神经网络包含双输入基本网络、主干卷积神经网络、特征强化引导模块；原始图片和对应的掩码图片秉性输入双输入基本网络。特征强化引导模块使用掩码图片的浅层特征自动学习引导主干神经网络的特征学习。最后，在整个网络的末端，全连接层中设定256个神经元，在提取特征时可以获得一个256维的向量

图4为本发明实施例提供的所训练的特征强化引导卷积神经网络中的特征强化引导模块的结构示意图，如图4所示，特征强化引导模块模块被设计成三个部分以应对不同深度的特征引导，实现不同层次的多次学习修正和持续引导特征学习的目的。特征强化引导模块模块一包含两个由3*3卷积层、ReLU激活层和BatchNorm标准化层组成的卷积单元，一个最大值池化层、一个sigmoid层组成；特征强化引导模块模块二包含四个由3*3卷积层、ReLU激活层和BatchNorm标准化层组成的卷积单元，两个最大值池化层、一个sigmoid层组成；特征强化引导模块模块三包含六个由3*3卷积层、ReLU激活层和BatchNorm标准化层组成的卷积单元，三个最大值池化层、一个sigmoid层组成；特征强化引导模块模块通过sigmoid层自主学习生成人体部位特征增强的权重图。如图3所示，这些权重图不是预先设定的，而是根据网络训练迭代自助生成，自主选择人体的强化部位(衣服、颜色、躯干或是配饰细节)，并且分别与不同层次的特征映射做点乘，以达到持续引导整个网络的特征增强学习的设计目的，特别是引导整个网络对于细节部位的学习。从而让主干网络更加关注于行人本身的特征，避免背景干扰的同时加强了对不同姿态的适应能力。

S103：将步骤S101中的训练集输入所述特征强化引导的卷积神经网络，训练得到的行人再识别的预训练模型

设定学习策略以及训练参数，将步骤S101中得到的训练集送入设计好的卷积神经网络进行训练，得到最初的预训练模型。

如图3所示，可以使用并行双输入的方式，同时融合原图和掩码图片特征，以获得跟丰富的特征信息；特征强化引导模块所述子网络层中含有的卷积单元和最大值池化层的数量依次递增，并采用sigmoid作为特征强化权重图的门阀，自主学习人体部位细节；持续特征强化引导，在浅层、中层、高层做引导整个网络的特征增强学习。

S104：用步骤S101中的测试集测试步骤S103中训练得到的预训练模型，根据测试结果调整训练参数重新训练，并返回步骤S103，直至所述特征强化引导的卷积神经网络收敛，得到最佳预训练模型。

S102步骤以及S103步骤对应图2中的预训练步骤，具体的，可以用步骤S101中的测试集步骤S103中训练得到的预训练模型，根据测试结果调整训练参数重新训练；通常情况下，训练参数也被成为超参数，需要调整的训练参数包括：神经网络模型训练的学习率、批次大小、学习策略、最大的迭代次数、激活函数。具体来说，可以根据根据实际情况来调整批次大小；学习率应该调小以重新学习新的数据；学习策略不变或尝试其他策略；最大的迭代次数应减少。可以理解的是，调整的目的是为了在训练中使新的模型在性能上达到最优。

再用步骤S101中的训练集步骤中训练调整训练参数后的预训练模型，根据预训练模型在测试集上的测试结果以及训练过程中神经网络损失变化情况调整训练参数以及网络参数继续训练。

重复上述步骤，直至获得最佳预训练模型，即直至得到的预训练模型在验证集行人数据上测试的结果达到要求，或者训练过程中神经网络损失收敛的一定范围之内。

S105：收集目标场景中的部分目标行人图像，并使用所述目标场景中的部分目标行人图像训练所述最佳预训练模型，得到目标模型，再使用所述目标模型对行人库中的图像特征比对，从而识别出目标行人，得到目标图像。

具体的，可以使用所述目标模型对可能含有目标行人的图像目标特征向量提取；计算所述目标特征向量与行人库中每一图片所含有的行人的特征向量的欧式距离，将欧式距离小于预设阈值所对应的图像作为目标图像。

示例性的，本步骤对应图2中的根据响应场景微调预训练模型，特征强化引导学习步骤，提取行人特征、欧式距离度量相似度以及根据阈值判断输出结果的步骤。可以根据不同应用场景收集少量行人图像数据，在新收集的数据上微调S104步骤中的预训练模型，得到新的适应场景的模型，具体包括：

用在训练数据上获得的最佳预训练模型参数初始化卷积神经网络参数；

将收集到的少量当前场景行人图像送入网络，进行迭代训练；

得到适应当前场景行人识别的深度卷积神经网络模型。

再使用得到的适应场景模型对待测试行人图像提取特征，得到目标特征向量。

计算得到的目标特征向量与行人库中每一个特征向量的欧式距离，找出行人库中与目标特征向量欧式距离小于预设阈值的特征向量，并将这些特征向量对应的图像作为目标图像。

应用本发明图1所示实施例，所构建的卷积神经网络包含双输入基本网络、主干卷积神经网络、特征强化引导模块；所述特征强化引导模块的网络包括设定数量个子网络层，每一个子网络层均包含卷积层、ReLU激活层、BatchNorm标准化层组成的卷积单元、最大值池化层以及sigmoid层，通过把训练集中的数据投入特征强化引导模块。利用特征强化引导模块的sigmoid层生成权重特征，再用来影响主干网络特征学习的方式，达到强化引导特征学习的目的，最后达到使整个模型降低误差的效果。

而且，现有技术中在提取特征时对整张行人图像操作或者是粗暴的把在图像划分方块，然后对方块进行区分训练，由于行人图片的来源是不同条件下的摄像机捕捉，导致图片中行人分布、形态具有多样性。而人为设定的分块方法并没有考虑到图片数据的复杂性和多样性，只是根据经验的统一的操作。这样是不细致的，不严谨的，将导致巨大的加权误差。应用本发明实施例，通过特征强化引导模块所生成的权重图以强化行人特征层面上的细节部分，以实现通过特征强化引导模块进行图片分块，是根据权重图进行自动生成细粒度特征层面上的权重，对每一个特征值进行强弱的引导区分，相对于现有技术，本发明实施例可以根据图片数据的特点自适应调整分块方法，进而可以天宫模型对场景的适应性，进而降低误差。

另外，本发明实施例在不同深浅的层次的特征上，进行逐渐的多次的行人特征值的强弱引导。这样的结构有助于模型识别出不同姿态下的行人。

发明人发现，训练集中图片的背景对神经网络的训练过程会产生不良影响，在现有技术中，没有考虑到消除训练集中图片的背景。只是考虑到把背景分块对待，而没有细致地消除背景干扰。本发明实施例中的特征强化引导模块通过制作行人掩码图片，由于掩码图片是经过去除背景的图片，可以更细致的弱化了背景的信息，从而有效的细致的避免了背景干扰。

最后，现有技术中人为粗暴的设定图片的关注区域，误差较大，而本发明实施例中，根据卷积神经网络自适应识别出的图像的关注区域，避免了人为设定的错误，进而降低了误差。

与本发明图1所示实施例相对应，本发明实施例还提供了基于特征强化引导卷积神经网络的行人再识别装置。

图5为本发明实施例提供的基于特征强化引导卷积神经网络的行人再识别装置的结构示意图，如图5所示，所述装置包括：

收集模块501，用于收集行人图像数据并做好分类标签，并将分类后的行人图像数据分为训练集和测试集；

构建模块502，用于构建特征强化引导的卷积神经网络，其中，所述卷积神经网络包含双输入基本网络、主干卷积神经网络、特征强化引导模块；所述特征强化引导模块包括设定数量个子网络层，每一个子网络层均包含卷积层、ReLU激活层、BatchNorm标准化层组成的卷积单元、最大值池化层以及sigmoid层；

训练模块503，用于将所述收集模块所收集的训练集输入所述特征强化引导的卷积神经网络，训练得到的行人再识别的预训练模型；

返回模块504，用于用所述收集模块中的测试集测试训练模块训练得到的预训练模型，根据测试结果调整训练参数重新训练，并触发所述训练模块，直至所述特征强化引导的卷积神经网络收敛，得到最佳预训练模型；

检测模块505，用于收集目标场景中的部分目标行人图像，并使用所述目标场景中的部分目标行人图像训练所述最佳预训练模型，得到目标模型，再使用所述目标模型对行人库中的图像进行特征比对，从而识别出目标行人，得到目标图像。

应用本发明图5所示实施例，所构建的卷积神经网络包含双输入基本网络、主干卷积神经网络、特征强化引导模块；所述特征强化引导模块的网络包括设定数量个子网络层，每一个子网络层均包含卷积层、ReLU激活层、BatchNorm标准化层组成的卷积单元、最大值池化层以及sigmoid层，通过把训练集中的数据投入特征强化引导模块。利用特征强化引导模块的sigmoid层生成权重特征，再用来影响主干网络特征学习的方式，达到强化引导特征学习的目的，最后达到使整个模型降低误差的效果。

在本发明实施例的一种具体实施方式中，所述收集模块501，用于：

将不同场景下的行人的视频监控数据作为行人图像数据来源，针对每一个行人，用行人检测方法抠取出包含同一行人的不同拍摄角度的行人图片，对每一个确定身份的具体行人图片进行分类，并打上标签。

对已分类的行人图片进行数据扩充，具体扩充手段包括：颜色直方图均衡化、水平镜像翻转、高斯模糊和添加随机噪声；

利用行人分割模型，对打上分类标签的行人图像数据进行人体区域扣取，获取对应的不含背景的人体掩码图片，并把每一张图像的掩码图片和所述图像的集合作为图像对；

将图像对的集合中的若干图像对的集合作为训练集；将其余的图像对的集合作为测试集。

在本发明实施例的一种具体实施方式中，

所述训练模块，用于：

使用并行双输入的方式，同时融合原图和掩码图片特征，以获得跟丰富的特征信息；特征强化引导模块所述子网络层中含有的卷积单元和最大值池化层的数量依次递增，并采用sigmoid作为特征强化权重图的门阀，自主学习人体部位细节；持续特征强化引导，在浅层、中层、高层做引导整个网络的特征增强学习。

在本发明实施例的一种具体实施方式中，所述检测模块505，用于：

使用所述目标模型对可能含有目标行人的图像目标特征向量提取；

计算所述目标特征向量与行人库中每一图片所含有的行人的特征向量的欧式距离，将欧式距离小于预设阈值所对应的图像作为目标图像。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述方法包括：

1)收集行人图像数据并做好分类标签，并将分类后的行人图像数据分为训练集和测试集；

2)构建特征强化引导的卷积神经网络，其中，所述卷积神经网络包含双输入基本网络、主干卷积神经网络、特征强化引导模块；所述特征强化引导模块包括设定数量个子网络层，每一个子网络层均包含卷积层、ReLU激活层、BatchNorm标准化层组成的卷积单元、最大值池化层以及sigmoid层；

3)将步骤1)中的训练集输入所述特征强化引导的卷积神经网络，训练得到的行人再识别的预训练模型；

4)用步骤1)中的测试集测试步骤3)中训练得到的预训练模型，根据测试结果调整训练参数重新训练，并返回步骤3)，直至所述特征强化引导的卷积神经网络收敛，得到最佳预训练模型；

5)收集目标场景中的部分目标行人图像，并使用所述目标场景中的部分目标行人图像训练所述最佳预训练模型，得到目标模型，再使用所述目标模型对行人库中的图像进行特征比对，从而识别出目标行人，得到目标图像。

2.根据权利要求1所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述步骤1)，包括：

将不同场景下的行人的视频监控数据作为行人图像数据来源，针对每一个行人，用行人检测方法抠取出包含同一行人的不同拍摄角度的行人图片，对每一个确定身份的具体行人图片进行分类，并打上标签；

对已分类的行人图片进行数据扩充，具体扩充手段包括：颜色直方图均衡化、水平镜像翻转、高斯模糊和添加随机噪声；

利用行人分割模型，对打上分类标签的行人图像数据进行人体区域扣取，获取对应的不含背景的人体掩码图片，并把每一张图像的掩码图片和所述图像的集合作为图像对；

将图像对的集合中的若干图像对的集合作为训练集；将其余的图像对的集合作为测试集。

3.根据权利要求1所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述步骤3)，包括：

使用并行双输入的方式，同时融合原图和掩码图片特征，以获得跟丰富的特征信息；特征强化引导模块所述子网络层中含有的卷积单元和最大值池化层的数量依次递增，并采用sigmoid作为特征强化权重图的门阀，自主学习人体部位细节；持续特征强化引导，在浅层、中层、高层做引导整个网络的特征增强学习。

4.根据权利要求1所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述步骤5)，包括：

使用所述目标模型对可能含有目标行人的图像目标特征向量提取；

计算所述目标特征向量与行人库中每一图片所含有的行人的特征向量的欧式距离，将欧式距离小于预设阈值所对应的图像作为目标图像。

5.基于特征强化引导卷积神经网络的行人再识别装置，其特征在于，所述装置包括：

收集模块，用于收集行人图像数据并做好分类标签，并将分类后的行人图像数据分为训练集和测试集；

构建模块，用于构建特征强化引导的卷积神经网络，其中，所述卷积神经网络包含双输入基本网络、主干卷积神经网络、特征强化引导模块；所述特征强化引导模块包括设定数量个子网络层，每一个子网络层均包含卷积层、ReLU激活层、BatchNorm标准化层组成的卷积单元、最大值池化层以及sigmoid层；

训练模块，用于将所述收集模块所收集的训练集输入所述特征强化引导的卷积神经网络，训练得到的行人再识别的预训练模型；

返回模块，用于用所述收集模块中的测试集测试训练模块训练得到的预训练模型，根据测试结果调整训练参数重新训练，并触发所述训练模块，直至所述特征强化引导的卷积神经网络收敛，得到最佳预训练模型；

检测模块，用于收集目标场景中的部分目标行人图像，并使用所述目标场景中的部分目标行人图像训练所述最佳预训练模型，得到目标模型，再使用所述目标模型对行人库中的图像进行特征比对，从而识别出目标行人，得到目标图像。

6.根据权利要求5所述的基于特征强化引导卷积神经网络的行人再识别装置，其特征在于，所述收集模块，用于：

将不同场景下的行人的视频监控数据作为行人图像数据来源，针对每一个行人，用行人检测方法抠取出包含同一行人的不同拍摄角度的行人图片，对每一个确定身份的具体行人图片进行分类，并打上标签。

对已分类的行人图片进行数据扩充，具体扩充手段包括：颜色直方图均衡化、水平镜像翻转、高斯模糊和添加随机噪声；

利用行人分割模型，对打上分类标签的行人图像数据进行人体区域扣取，获取对应的不含背景的人体掩码图片，并把每一张图像的掩码图片和所述图像的集合作为图像对；

将图像对的集合中的若干图像对的集合作为训练集；将其余的图像对的集合作为测试集。

7.根据权利要求5所述的基于特征强化引导卷积神经网络的行人再识别装置，其特征在于，所述训练模块，用于：

使用并行双输入的方式，同时融合原图和掩码图片特征，以获得跟丰富的特征信息；特征强化引导模块所述子网络层中含有的卷积单元和最大值池化层的数量依次递增，并采用sigmoid作为特征强化权重图的门阀，自主学习人体部位细节；持续特征强化引导，在浅层、中层、高层做引导整个网络的特征增强学习。

8.根据权利要求5所述的基于特征强化引导卷积神经网络的行人再识别装置，其特征在于，所述检测模块，用于：

使用所述目标模型对可能含有目标行人的图像目标特征向量提取；

计算所述目标特征向量与行人库中每一图片所含有的行人的特征向量的欧式距离，将欧式距离小于预设阈值所对应的图像作为目标图像。