[發(fā)明專利]一種保留平移不變性的行人重識別方法、裝置及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010605632.6
• 申請日: 2020-06-29
• 公開（公告）號: CN111783624B
• 公開（公告）日: 2023-03-24
• 發(fā)明（設(shè)計）人: 林修明;吳鴻偉;林淑強(qiáng);張永光;藍(lán)坤宏;魏煒途
• 申請（專利權(quán)）人: 廈門市美亞柏科信息股份有限公司
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 廈門福貝知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 35235
• 代理人: 陳遠(yuǎn)洋

本發(fā)明提出了一種保留平移不變性的行人重識別方法、裝置及存儲介質(zhì)，該方法包括：訓(xùn)練步驟，使用樣本集對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練獲得訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，其中，所述神經(jīng)網(wǎng)絡(luò)的模型的下采樣層由步長為1的最大池化層、步長為2的平均池化層依次連接組成，或者由步長為1的卷積層、ReLU激活函數(shù)層和步長為2的平均池化層依次連接組成；行人重識別步驟，使用訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型對攝像頭獲取的圖像進(jìn)行行人重識別獲得識別結(jié)果。本發(fā)明對卷積神經(jīng)網(wǎng)絡(luò)的下采樣層的結(jié)構(gòu)進(jìn)行了修改，僅使用平均池化層進(jìn)行下采樣操作，不會破壞整個網(wǎng)絡(luò)的平移不變性，提高了行人重識別的準(zhǔn)確性，且針對修改后的網(wǎng)絡(luò)結(jié)構(gòu)提出了樣本集及損失函數(shù)的具體修改方法。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，具體涉及一種保留平移不變性的行人重識別方法、裝置及存儲介質(zhì)。

背景技術(shù)

隨著社會和科技的進(jìn)步，人臉識別越來越成為一項可依賴的安防技術(shù)。但是對于現(xiàn)今大部分?jǐn)z像頭而言，其分辨率往往不能達(dá)到人臉識別系統(tǒng)的要求，故可以應(yīng)用于現(xiàn)有監(jiān)控系統(tǒng)的行人重識別技術(shù)是極有必要的。行人重識別(Person re-identification)是利用圖像處理技術(shù)來判定某一攝像頭下的行人是否出現(xiàn)在其他攝像頭中，從而可以描繪行人的活動路徑，實現(xiàn)跨鏡頭追蹤的目的。現(xiàn)階段行人重識別常用方法主要有表征學(xué)習(xí)、度量學(xué)習(xí)、基于局部特征或視頻序列等方法。

CNN(卷積神經(jīng)網(wǎng)絡(luò))架構(gòu)由于采用多種下采樣策略(最大池化、步長卷積等)導(dǎo)致網(wǎng)絡(luò)最后提取到的圖像特征丟失了平移不變性。而完整的行人重識別系統(tǒng)往往還需要疊加行人檢測模型(通常為CNN架構(gòu))以摳取背景圖中的行人圖片，若行人重識別網(wǎng)絡(luò)不具有良好的平移不變性，將受到行人檢測模型的影響從而限制了整個系統(tǒng)的識別性能。

發(fā)明內(nèi)容

本發(fā)明針對上述現(xiàn)有技術(shù)中一個或多個技術(shù)缺陷，提出了如下技術(shù)方案。

一種保留平移不變性的行人重識別方法，該方法包括：

訓(xùn)練步驟，使用樣本集對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練獲得訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，其中，所述神經(jīng)網(wǎng)絡(luò)的模型的下采樣層由步長為1的最大池化層、步長為2的平均池化層依次連接組成，或者由步長為1的卷積層、ReLU激活函數(shù)層和步長為2的平均池化層依次連接組成；

行人重識別步驟，使用訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型對攝像頭獲取的圖像進(jìn)行行人重識別獲得識別結(jié)果。

更進(jìn)一步地，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括全局特征識別部分和局部特征識別部分。

更進(jìn)一步地，對所述樣本集中使用的三元組樣本添加隨機(jī)平移增強(qiáng)策略處理，所述三元組樣本增強(qiáng)策略為：每個三元組由標(biāo)準(zhǔn)樣本、正樣本和負(fù)樣本組成，以概率P₁選取三元組中的某一樣本對其進(jìn)行隨機(jī)平移調(diào)整，所述隨機(jī)平移調(diào)整以概率P₂對該樣本隨機(jī)平移m個像素。

更進(jìn)一步地，所述全局特征識別部分和局部特征識別部分使用的損失函數(shù)為L_softmax、L_trihard和L_center。

更進(jìn)一步地，對損失函數(shù)為L_softmax、L_trihard和L_center進(jìn)行加權(quán)計算，得到全局特征識別部分和局部特征識別部分的總損失函數(shù)L_total：

L_total＝L_softmax+γ_tL_trihard+γ_cL_center，其中，γ_t、γ_c為權(quán)重。

本發(fā)明還提出了一種保留平移不變性的行人重識別裝置，該裝置包括：