[發明專利]深度多視圖特征距離學習的行人重識別方法

有效

• 申請號: 201910091921.6
• 申請日: 2019-01-30
• 公開（公告）號: CN109902590B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 廖開陽;鄧軒;鄭元林;章明珠;雷浩;劉山林
• 申請（專利權）人: 西安理工大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/44;G06V10/50;G06V10/56;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 楊洲

1.深度多視圖特征距離學習的行人重識別方法，其特征在于，包括以下步驟實施：

步驟1，提取區域特征向量，使用微調的Resnet-50模型提取圖像的三維卷積特征，設計不同尺度的滑框，滑框技術被運用到通過網絡得到的激活映射的長寬截面上，對得到的卷積層的激活應用各種尺度的滑動窗口，并提取所有區域塊中的特征向量，并將所有區域塊中的特征向量聚合得到圖像的聚合特征向量；

步驟2，區域劃分，先根據步驟1中得到的圖像的聚合特征向量，通過歸一化算法l₂范數歸一化；再通過加和的方式表現圖像的矢量集合，之后再對圖像表示進行歸一化算法l₂范數歸一化處理；最終一幅圖像劃分為N個區域，得到深度區域聚合特征；

步驟3，LOMO特征提取，對于參考集和測試集中的行人圖像分別提取傳統LOMO特征；

步驟4，多視圖特征距離學習，從深度區域聚合特征和LOMO特征兩個角度出發，兩個特征分別通過度量方法、交叉視圖二次判別方法訓練獲得兩個距離；

步驟5，加權融合策略，對于步驟4得到的兩個距離通過參數加權融合獲得最終距離，并根據最終距離得到匹配的等級。

2.根據權利要求1所述的深度多視圖特征距離學習的行人重識別方法，其特征在于，步驟1所述的提取區域特征向量，具體按照以下步驟實施：

步驟1.1，使用微調的Resnet-50卷積網絡，根據來自最后一個卷積層的每個圖像的圖像大小和縱橫比來提取激活和特征映射，提取行人單幅圖像的激活映射并定義為A_i,j,k，i,j,k分別代表激活映射的寬W、長H、通道C；

步驟1.2，經步驟1.1處理后，為提高局部信息在模型中的比重，在步驟1.1的基礎上，運用滑框技術到已經提取的激活映射的長寬截面上，目的是提高圖像局部信息的描述能力；

步驟1.3，用L種不同尺度的滑框對特征平面進行區域劃分，即用不同比例的區域進行采樣，并提取區域塊中的特征向量，以獲取圖像的局部特征。

3.根據權利要求1所述的深度多視圖特征距離學習的行人重識別方法，其特征在于，步驟2所述的區域劃分，具體按照以下方法實施：

步驟2.1，滑框的選擇標準與過程，滑框的使用被分為四個尺度等級進行，最大尺度對應著激活映射的最大尺寸，在最大尺度L＝1時，區域尺寸被確定為盡可能大，即滑框的尺寸等于卷積激活映射長寬截面的短邊長度，利用全部的激活映射從長寬兩個方向進行累加整合成一個特征向量，在滑框與滑框之間，都有一定的重疊區域，可認為對那些重疊的區域賦予了較大的權重，并且每個滑框都是正方形的，對區域進行均勻采樣，使得連續區域之間的重疊盡可能接近40％，滑框的大小由特征平面的短邊決定，滑框邊長的表達式如下：

步驟2.2，當滑框的尺度L＝4時，即有4個不同尺度的滑框對激活映射進行操作，對激活映射的各個區域塊以寬的方向進行編號，定義為Region 1,Region 2,…,Region N，將滑框內的元素直接相加，若定義f_a,b為第a個滑框尺度等級下的第b個向量，那么單幅圖像在通過滑框操作后累加所有尺度下特征向量的和，最終的全局特征向量的表達式如下式所示：

步驟2.3，通過計算與每個區域塊相關的特征向量，并用歸一化算法l₂歸一化對其進行后處理，將區域特征向量聚合到單個圖像向量中，通過將它們相加并最終進行l₂歸一化；該步驟使圖像的特征維度較低，使其維數等于特征通道的數量；通過提取單幅圖像的卷積特征，并將圖像特征用一個等于通道數的向量維度表示，最終得到的深度區域聚合特征用DRIF來表示。