[發明專利]一種行人重識別方法

有效

• 申請號: 201910403777.5
• 申請日: 2019-05-15
• 公開（公告）號: CN110110689B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 張云洲;劉雙偉;齊林;朱尚棟;徐文娟
• 申請（專利權）人: 東北大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 北京易捷勝知識產權代理有限公司 11613
• 代理人: 韓國勝

本公開實施例涉及一種行人重識別方法，其包括：從多個圖片中提取得到行人CNN特征圖；采用對抗擦除學習的方式模仿對所述行人CNN特征圖的判別性區域被遮擋的情形進行模型訓練，得到訓練模型；利用所述訓練模型結合目標行人圖像和待識別行人圖像進行行人重識別，得到行人重識別結果。本公開實施例提供的方法提供一種特征級別數據增強策略，輔分類器的輸入特征圖被部分擦除，增加行人特征的變體和抵抗行人被遮擋的情形，提高深度行人重識別模型的泛化能力。

技術領域

本公開涉及計算機視覺技術領域，尤其涉及一種行人重識別方法。

背景技術

行人重識別是在無重疊的多攝像機監控系統下對行人身份進行匹配與識別，在智能視頻監控、預防犯罪發生、維護社會治安等方面發揮著重要的作用。然而當姿勢、步態、服飾等人體屬性以及光照、背景等環境因素變化時，同一行人的外觀在不同的監控視頻下存在明顯的差異，而不同行人的外觀在某種情況下會比較相似。

近年來，深度學習的方法被廣泛應用，相比于傳統手工設計方法，深度學習能夠取得更好的性能。然而，深度行人重識別模型通常存在大量網絡參數，卻在有限的數據集上進行優化，這就會增加過擬合的風險，降低泛化能力。因此提高模型的泛化能力對于深度行人重識別是一個有意義且重要的問題。

為了提高深度卷積神經網絡的泛化能力，可以增加訓練數據集的變體以及收集大量包含遮擋情形的行人圖像，但是僅能實現圖像級別的數據增強，未能提供在圖像級別之外的方面進行數據增強，以提高深度卷積神經網絡的泛化能力。

上述缺陷是本領域技術人員期望克服的。

發明內容

(一)要解決的技術問題

為了解決現有技術的上述問題，本公開提供一種行人重識別方法，其可以在特征級別的方面進行數據增強，以提高深度卷積神經網絡的泛化能力。

(二)技術方案

為了達到上述目的，本公開采用的主要技術方案包括：

本公開一實施例提供一種行人重識別方法，其包括：

從多個圖片中提取得到行人CNN特征圖；

采用對抗擦除學習的方式模仿對所述行人CNN特征圖的判別性區域被遮擋的情形進行模型訓練，得到訓練模型；

利用所述訓練模型結合目標行人圖像和待識別行人圖像進行行人重識別，得到行人重識別結果。

本公開的一個實施例中，所述從多個圖片中提取得到行人CNN特征圖包括：

從訓練數據集中隨機選擇所述多個圖片；

將所述多個圖片輸入到ResNet50模型的多個不同語義層進行提取，得到多個通道的特征圖；

利用通道注意力模塊對所述多個通道的特征圖進行處理，得到經通道處理的特征圖；

利用空間注意力模塊對所述經通道處理的特征圖在不同位置的空間上下文信息進行處理，得到所述行人CNN特征圖。

本公開的一個實施例中，所述利用通道注意力模塊對所述多個通道的特征圖進行處理，得到經通道處理的特征圖包括：

根據所述多個通道的特征圖中的每一通道的特征圖，得到通道特征描述子；

對所述通道特征描述子通過激活函數運算，得到通道注意力特征圖；

將所述通道注意力特征圖與所述特征圖聚合的特征圖相乘，得到所述經通道處理的特征圖。

本公開的一個實施例中，所述特征描述子包括所述多個通道的統計值，所述特征描述子為：

每一通道的統計值為：