[發明專利]一種基于多層融合與對齊劃分的行人重識別方法

在審

• 申請號: 202010653250.0
• 申請日: 2020-07-08
• 公開（公告）號: CN111881780A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 宋曉寧;王鵬;馮振華
• 申請（專利權）人: 上海蠡圖信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 朱寶慶

本發明公開了一種基于多層融合與對齊劃分的行人重識別方法，包括以下步驟，構建行人重識別網絡模型并訓練；利用所述網絡模型中多層融合模塊將不同層次的特征圖與最后一層的特征圖進行融合，得到最終包含淺層特征信息的多層融合特征；利用所述網絡模型中對齊劃分模塊提取行人的中心位置，然后將所述中心位置向兩邊擴展，得到行人精確分割局部區域的局部特征；將所述多層融合特征、所述局部特征和全局特征按照通道維度連接，得到最終的行人判別特征完成行人重識別。本發明的有益效果：提出的融合模塊可以融合不同層次的特征圖所攜帶的信息，在此基礎上提取出多層融合特征加入到最終的判別特征中進行輔助識別，從而有效地提升了重識別的性能。

技術領域

本發明涉及行人重識別的技術領域，尤其涉及一種基于多層融合與對齊劃分的行人重識別方法。

背景技術

近年來，深度學習方法廣泛應用于行人重識別任務，主流的方法就是通過深度網絡提取含有高級語義信息的特征，以此來進行識別。然而單純的利用深度特征所含有的高級語義信息(對象或部件)往往會忽略淺層網絡特征所攜帶的信息(顏色、紋理等)，這對于識別是不利的，比如對于一些衣著較為鮮艷，穿著突出的行人，即使在圖像分辨率很低的情況下也可以辨認，淺層信息對于識別這種圖像是很有效果的。而對于那些特征不太明顯的圖像，使用深度網絡提取高級語義(身體的某些突出形象)是很有必要的。目前的基于深度學習的方法大多都只是采用深層的特征，而忽略了淺層特征的實用價值。

發明內容

本部分的目的在于概述本發明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和發明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發明名稱的目的模糊，而這種簡化或省略不能用于限制本發明的范圍。

鑒于上述現有存在的問題，提出了本發明。

因此，本發明解決的技術問題是：提出一種基于多層融合與對齊劃分的行人重識別方法，使深層特征可以攜帶淺層信息以及使劃分的局部特征很好的對齊。

為解決上述技術問題，本發明提供如下技術方案：一種基于多層融合與對齊劃分的行人重識別方法，包括以下步驟，構建行人重識別網絡模型并訓練；利用所述網絡模型中多層融合模塊將不同層次的特征圖與最后一層的特征圖進行融合，得到最終包含淺層特征信息的多層融合特征；利用所述網絡模型中對齊劃分模塊提取行人的中心位置，然后將所述中心位置向兩邊擴展，得到行人精確分割局部區域的局部特征；將所述多層融合特征、所述局部特征和全局特征按照通道維度連接，得到最終的行人判別特征完成行人重識別。

作為本發明所述的基于多層融合與對齊劃分的行人重識別方法的一種優選方案，其中：所述多層融合模塊包括，采用改進的Non-local模塊；所述 Non-local模塊給定特征圖F∈R^C×H×W，其中C是特征圖的通道數、H×W表示特征圖的大小；將F分為雙路通過卷積后計算得到空間特征相關矩陣X∈R^N×N，其中N＝H×W，使用EmbeddedGaussian函數來計算X：

其中x_i與x_j分別表示空間位置i與j處的特征值、x_ij表示空間位置i與j 之間的相關性；將所得的相關矩陣X與F相乘,得到的特征圖F′為