[發(fā)明專利]一種基于多層次監(jiān)督網(wǎng)絡(luò)的行人重識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811299473.0
• 申請(qǐng)日: 2018-10-31
• 公開（公告）號(hào): CN109508663B
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 張君鵬;申瑞民;姜飛
• 申請(qǐng)（專利權(quán)）人: 上海交通大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 翁惠瑜

1.一種基于多層次監(jiān)督網(wǎng)絡(luò)的行人重識(shí)別方法，其特征在于，該方法基于一多層次監(jiān)督網(wǎng)絡(luò)實(shí)現(xiàn)行人重識(shí)別，所述多層次監(jiān)督網(wǎng)絡(luò)包括一個(gè)多層深度卷積神經(jīng)網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)和多個(gè)分類模塊作為特征提取子網(wǎng)絡(luò)，所述主干網(wǎng)絡(luò)將行人圖像轉(zhuǎn)換為不同語義層次的特征圖，各所述分類模塊通過監(jiān)督學(xué)習(xí)將主干網(wǎng)絡(luò)提取的各層特征圖分別轉(zhuǎn)化為具有區(qū)分性的特征向量，所有層次上的特征向量拼接形成最終特征向量，基于該最終特征向量實(shí)現(xiàn)行人重識(shí)別；

所述多層次監(jiān)督網(wǎng)絡(luò)的訓(xùn)練過程具體包括：

1）由收集的行人數(shù)據(jù)庫中采集一批樣本，輸入所述多層次監(jiān)督網(wǎng)絡(luò)進(jìn)行前向傳播；

2）根據(jù)各分類模塊的分類結(jié)果與樣本標(biāo)簽計(jì)算交叉熵?fù)p失；

3）基于交叉熵?fù)p失對(duì)所述多層次監(jiān)督網(wǎng)絡(luò)進(jìn)行半分離式反向傳播，該反向傳播過程中，僅部分分類模塊完成對(duì)整個(gè)主干網(wǎng)絡(luò)的反向傳播，其余只對(duì)分類模塊進(jìn)行反向傳播；

4）根據(jù)反向傳播獲得的梯度對(duì)網(wǎng)絡(luò)執(zhí)行梯度下降算法并更新參數(shù)，直至網(wǎng)絡(luò)收斂。

2.根據(jù)權(quán)利要求1所述的基于多層次監(jiān)督網(wǎng)絡(luò)的行人重識(shí)別方法，其特征在于，所述多層深度卷積神經(jīng)網(wǎng)絡(luò)由多個(gè)殘差卷積模塊組成，各殘差卷積模塊包括若干卷積層、批歸一化層和非線性激活層。

3.根據(jù)權(quán)利要求2所述的基于多層次監(jiān)督網(wǎng)絡(luò)的行人重識(shí)別方法，其特征在于，多個(gè)所述分類模塊的輸入分別對(duì)應(yīng)主干網(wǎng)絡(luò)中多個(gè)殘差卷積模塊的輸出。

4.根據(jù)權(quán)利要求1所述的基于多層次監(jiān)督網(wǎng)絡(luò)的行人重識(shí)別方法，其特征在于，各所述分類模塊不共享參數(shù)。

5.根據(jù)權(quán)利要求1所述的基于多層次監(jiān)督網(wǎng)絡(luò)的行人重識(shí)別方法，其特征在于，所述分類模塊包括依次設(shè)置的卷積層、批歸一化層、非線性激活層、全局平均池化層、dropout層、維全連接層、批歸一化層和softmax層。

6.根據(jù)權(quán)利要求1所述的基于多層次監(jiān)督網(wǎng)絡(luò)的行人重識(shí)別方法，其特征在于，基于所述最終特征向量實(shí)現(xiàn)行人重識(shí)別具體為：

將最終特征向量與庫圖像特征向量逐一比較余弦相似度，以相似度最高的前k張圖像作為重識(shí)別的查詢結(jié)果。

7.根據(jù)權(quán)利要求1所述的基于多層次監(jiān)督網(wǎng)絡(luò)的行人重識(shí)別方法，其特征在于，所述行人數(shù)據(jù)庫中的樣本獲取過程具體包括：

由不同空間位置利用不同攝像頭獲取行人視頻，將所述行人視頻切分為幀，對(duì)每一幀圖像中的每個(gè)不同行人標(biāo)注一個(gè)獨(dú)立的樣本標(biāo)簽，對(duì)每張圖像進(jìn)行分辨率縮放和水平反轉(zhuǎn)處理，形成行人數(shù)據(jù)庫。