[發(fā)明專利]一種行人重識別系統(tǒng)和方法

有效

• 申請?zhí)枺?/td>: 201810489200.6
• 申請日: 2018-05-21
• 公開（公告）號: CN108764096B
• 公開（公告）日: 2022-04-29
• 發(fā)明（設(shè)計）人: 徐家臻;王勤業(yè);鄧偉
• 申請（專利權(quán)）人: 華中師范大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/764;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京知呱呱知識產(chǎn)權(quán)代理有限公司 11577
• 代理人: 李芙蓉;孫進華

1.一種行人重識別系統(tǒng)，其特征在于，包括第一特征訓練模塊(1)、第二特征訓練模塊(2)、局部劃分訓練模塊(3)和識別模塊(4)；

所述第一特征訓練模塊(1)用于在基于卷積神經(jīng)網(wǎng)絡(luò)的行人重識別方法中采用多尺度局部特征競爭選擇技術(shù)構(gòu)造新的分類器Cw；所述第一特征訓練模塊(1)包括第一數(shù)據(jù)預處理單元、主干網(wǎng)絡(luò)設(shè)置單元、特征分組單元、特征池化單元、特征降維單元、特征分類單元和新分類器構(gòu)造單元；

所述第二特征訓練模塊(2)用于在卷積神經(jīng)網(wǎng)絡(luò)的行人重識別方法的基礎(chǔ)上獲取整個神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)；

所述局部劃分訓練模塊(3)用于將數(shù)據(jù)通過加載的ResNet主干網(wǎng)絡(luò)、特征分組單元、特征池化單元和特征降維單元對多個局部特征進行標記，據(jù)此為每組特征降維單元輸出的局部特征訓練一個局部劃分分類器Ck；

所述識別模塊(4)將數(shù)據(jù)通過加載的ResNet主干網(wǎng)絡(luò)、特征分組單元、特征池化單元和特征降維單元提取到的特征經(jīng)過局部劃分分類器Ck進行分類，其中Ck分類為正例的特征為有效特征；

所述第一數(shù)據(jù)預處理單元用于將所有行人圖像縮放至統(tǒng)一尺寸作為訓練集，并將左右翻轉(zhuǎn)后的圖像加入所述訓練集進行數(shù)據(jù)增強；所有數(shù)據(jù)訓練時隨機打散，將像素點RGB值減去圖像均值做歸一化到0至1之間；

所述主干網(wǎng)絡(luò)設(shè)置單元用ImageNet預訓練的ResNet卷積神經(jīng)網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)，其中ResNet最后一個模組不做降采樣，以提取行人圖像的視覺特征共H/16×W/16×2048維；

所述特征分組單元將H/16×W/16×2048維特征按n個尺度劃分為n組，其中第i組將圖像水平劃分成si個部分，每個部分包含(M/si)×N×D維特征；

所述特征池化單元用于對每個部分的特征進行全局最大池化和全局平均池化，并用1×1的卷積層進行維度縮減至dl維；

所述特征降維單元用于對H/16×W/16×2048維特征整體應用全局最大池化和全局平均池化，并用1×1的卷積層進行維度縮減至dg維；

所述特征分類單元用于將維度縮減后的每個H維局部特征分別送入各個局部分類器Ci進行分類，多個所述局部分類器Ci互相競爭篩選得到效果最好的k個局部特征；

所述新分類器構(gòu)造單元用于將k個所述局部特征與整體特征組合成一個嵌入特征，且在所述嵌入特征上構(gòu)造新的分類器Cw。

2.根據(jù)權(quán)利要求1所述行人重識別系統(tǒng)，其特征在于，所述第二特征訓練模塊(2)包括歸一化角度度量單元、最優(yōu)參數(shù)獲取單元和第一持續(xù)訓練單元；

所述歸一化角度度量單元用于將提取到的不同行人的特征映射到單位超球面上，從而保證在流型上特征的類間距離充分大同時類內(nèi)距離更加緊湊；

所述最優(yōu)參數(shù)獲取單元用于將k個分類器和分類器的損失函數(shù)之和作為總的損失函數(shù)，用SGD方法反向傳播訓練獲取整個神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)；

所述第一持續(xù)訓練單元用于將所述損失函數(shù)訓練至收斂；當學習速率為0.01時訓練至少40個epoch，當學習速率為0.001訓練至少20個epoch。

3.根據(jù)權(quán)利要求2所述行人重識別系統(tǒng)，其特征在于，所述局部劃分訓練模塊(3)包括第二數(shù)據(jù)預處理單元、第一訓練模型及參數(shù)加載單元、分類器訓練單元和第一訓練單元；

所述第二數(shù)據(jù)預處理單元與所述第一數(shù)據(jù)預處理單元一致；

所述第一訓練模型及參數(shù)加載單元用于加載訓練模型及參數(shù)；

所述分類器訓練單元用于將數(shù)據(jù)通過加載的ResNet主干網(wǎng)絡(luò)、特征分組單元、特征池化單元和特征降維單元對多個局部特征進行標記，據(jù)此為每組特征降維單元輸出的局部特征訓練一個局部劃分分類器Ck；

所述第一訓練單元用于在只允許Ck為可變參數(shù)時，用SGD方法反向傳播訓練至其收斂。