本发明涉及图像识别，尤其涉及一种基于医院重点区域场景的特殊患者身份重识别方法。
背景技术：
1、行人重识别技术通过对与视频监控场景中的行人进行监测，在跨区域和跨摄像头下对于特定行人进行寻找。如何通过重识别技术在医院场景中寻找某人(特殊患者)是否带有传染性疾病与他人接触或是未缴费就离开等情况。但在医院现实场景中，不同区域场景对于特殊患者身份重识别任务仍面临着患者被遮挡、患者间的外观相似和背景干扰等挑战。现已有部分方案解决这些挑战。
2、(1)基于手工提取特征的行人重识别方法，利用手工提取特征与目标行人特征进行相似度度量以确定是否为要寻找的行人。
3、(2)基于深度学习的行人重识别方法，通过建立分层模型结构从大量样本数据中自动提取由低层到高层特征；
4、(3)结合深度学习和注意力机制的行人重识别方法，通过在深层结构中嵌入注意机制来关注行人区域的特征。
5、在上述三种主流解决方案中，主要存在以下不足：
6、(1)第一种方案依赖手工设计特征提取算子来挖掘行人的视觉特征，但单纯的手工特征提取方法不具有适用性。在数据量足够大的情况下，其效率很低，并且在实际场景中的精度无法满足要求。
7、(2)第二种方案使得模型的复杂度较高和计算耗费较大，同时仍存在无法有效提取判别性特征导致模型泛化能力较弱和适用性不强的问题。
8、(3)第三种方案只是学习嵌入在模型当前层的注意力特征，而忽略了从不同深度网络层的结构上进行信息挖掘，同时没有利用不同层级的不同等级的特征信息。
9、上述三种方案在一定程度上均可以实现对行人的重新识别，但是并没有针对医院不同重点区域场景设计，在性能效率和识别精度上还达不到在医院重点区域场景对特殊患者身份重识别任务的要求。
技术实现思路
1、本发明的目的在于提供一种基于医院重点区域场景的特殊患者身份重识别方法，旨在解决在医院重点区域场景下的特殊患者身份重识别任务中患者被遮挡、患者间外观相似和背景杂乱等问题，最终实现一种在医院重点区域场景下更加高效准确的特殊患者身份重识别系统。
2、为实现上述目的，本发明提供了一种基于医院重点区域场景的特殊患者身份重识别方法，包括根据人流量划分医院重点区域场景，所述重点区域场景包括门诊区、取药区和缴费区；
3、对重点区域场景的监控设备进行相机参数标注并获取视频流；
4、使用目标检测模型从视频流中获取各个重点区域场景内的患者图像；
5、基于患者图像进行患者身份重识别数据的身份分类和标注，得到标注数据集；
6、对标注数据集进行预处理，得到样本集；
7、采用多层深度神经网络构建人员识别模型；
8、将样本集送入人员识别模型进行训练，得到适用于医院重点区域场景的患者身份重识别模型；
9、将患者身份重识别模型部署到监控中心，根据患者身份重识别模型提取的患者特征，判别出是否为目标身份患者。
10、其中，所述使用目标检测模型从视频流中获取各个重点区域场景内的患者图像的具体步骤包括：
11、对每一帧图像应用训练好的loyov8模型以识别和定位图像中的患者；
12、根据返回的患者位置坐标，从原始帧中裁剪出患者的图像；
13、对提取的患者图像进行标准化处理得到患者图像。
14、其中，所述对标注数据集进行预处理，得到样本集的具体步骤包括：
15、将摄像机编号和患者身份标签转换为整数标签的形式；
16、将患者图像数据进行取对数操作以减小数据的尺度；
17、将数据进行划分，训练集为总数据中不同身份不同摄像头的百分之七十，其余为验证集。
18、其中，所述采用多层深度神经网络构建人员识别模型的具体步骤包括：
19、采用多层深度神经网络为主干网络提取全尺度患者表征；
20、对患者区域全尺度表征进行自相关加权补偿；
21、基于医院重点区域设置并发自调节平衡损失函数。
22、其中，所述采用多层深度神经网络为主干网络提取全尺度患者表征的具体步骤包括：
23、根据医院重点区域场景的患者图像以多层深度神经网络为主干网络提取图像特征，根据医院不同的重点识别区域场景需求将主干动态划分为n个大卷积块；
24、将划分的n个大卷积块输出分等级，并使用与等级匹配的卷积核对网络中n个不同卷积块输出的特征fn进行采样，得到等级特征集；
25、对于每个卷积块输出的等级特征集，利用线性判别分析方式lda把多个等级的信息集中起来，得到多级集中特征集
26、在特征下采样并与特征根据区域权值交互，得到特征最后将第n个卷积块的输出特征fconv_n与特征堆叠，得到高维度全尺度特征ffull。
27、其中，所述对患者区域全尺度表征进行自相关加权补偿的具体步骤包括：
28、基于全尺度特征ffull分别沿着矩阵的第三维度将特征划分为c×c个子块的矩阵m和沿着第一、二维度将特征划分为w×h个子块的矩阵n；
29、将矩阵m和n自身复制并进行转置操作得到mt和nt矩阵，m与mt进行矩阵自相关相乘，n与nt进行矩阵自相关相乘，再分别进行非线性激活操作得到自相关补偿矩阵mc和np；
30、根据得到的自相关补偿矩阵，通过特值μ加权的方式使用两类补偿矩阵；
31、将加权后的补偿矩阵与原始特征ffull矩阵按位相乘，得到特征矩阵ft。
32、其中，所述基于医院重点区域设置并发自调节平衡损失函数的具体步骤包括：
33、将n个集中特征采用并发的困难三样本损失lth以学习不同患者类间特征的差异性；
34、不同重点区域场景的困难点不同，分配损失平衡权重wn以约束不同层级集中特征的学习，权重wn通过学习自动调节；
35、根据医院不同重点区域场景选取损失输入特征，分别通过损失计算得到重点区域损失l门诊区、l取药区和l缴费区；
36、同时使特征ft通过批次归一化和全连接患者身份分类层,再通过损失lc以学习患者类内特征的差异性；
37、将特征馈送入损失lc进行患者身份多分类计算损失l患者多分类，与损失l门诊区、l取药区和l缴费区共同学习医院重点区域场景下的特征表示。
38、本发明的一种基于医院重点区域场景的特殊患者身份重识别方法，包括：根据人流量划分医院重点区域场景，所述重点区域场景包括门诊区、取药区和缴费区；对重点区域场景的监控设备进行相机参数标注并获取视频流；使用目标检测模型从视频流中获取各个重点区域场景内的患者图像；基于患者图像进行患者身份重识别数据的身份分类和标注，得到标注数据集；对标注数据集进行预处理，得到样本集；采用多层深度神经网络构建人员识别模型；将样本集送入人员识别模型进行训练，得到适用于医院重点区域场景的患者身份重识别模型；将患者身份重识别模型部署到监控中心，根据患者身份重识别模型提取的患者特征，判别出是否为目标身份患者。可以解决在医院重点区域场景下的特殊患者身份重识别任务中患者被遮挡、患者间外观相似和背景杂乱等问题，最终实现一种在医院重点区域场景下更加高效准确的特殊患者身份重识别系统。
1.一种基于医院重点区域场景的特殊患者身份重识别方法，其特征在于，
2.如权利要求1所述的一种基于医院重点区域场景的特殊患者身份重识别方法，其特征在于，
3.如权利要求2所述的一种基于医院重点区域场景的特殊患者身份重识别方法，其特征在于，
4.如权利要求3所述的一种基于医院重点区域场景的特殊患者身份重识别方法，其特征在于，
5.如权利要求4所述的一种基于医院重点区域场景的特殊患者身份重识别方法，其特征在于，
6.如权利要求5所述的一种基于医院重点区域场景的特殊患者身份重识别方法，其特征在于，
7.如权利要求6所述的一种基于医院重点区域场景的特殊患者身份重识别方法，其特征在于，
