[發(fā)明專利]基于權重多樣性正則化的行人重識別方法及其應用

有效

• 申請?zhí)枺?/td>: 202010790733.5
• 申請日: 2020-08-07
• 公開（公告）號: CN111931641B
• 公開（公告）日: 2023-08-22
• 發(fā)明（設計）人: 鄧圣衡;王鵬飛;丁長興;李弘洋;黃家榮;陳柏伶;郭思聰
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/44;G06V10/82;G06N3/0464;G06N3/08;G06V20/52
• 代理公司: 廣州市華學知識產(chǎn)權代理有限公司 44245
• 代理人: 李斌

本發(fā)明公開了一種基于權重多樣性正則化的行人重識別方法及其應用，該方法步驟包括：構建卷積神經(jīng)網(wǎng)絡并初始化卷積神經(jīng)網(wǎng)絡參數(shù)；圖像預處理得到卷積神經(jīng)網(wǎng)絡的輸入張量；采用交叉熵損失函數(shù)和三元組損失函數(shù)的同時采用權重多樣性損失函數(shù)控制卷積神經(jīng)網(wǎng)絡中卷積層的權重互不相同，完成權重多樣性正則化；卷積神經(jīng)網(wǎng)絡訓練，提取圖像中行人不同的局部特征，對每一個行人的局部特征級聯(lián)成為卷積神經(jīng)網(wǎng)絡輸出的特征向量，將提取到的所有行人特征向量進行距離度量，完成行人重識別。本發(fā)明提取得到的局部特征更加細致且具有更加豐富的特征數(shù)量，具有區(qū)分性更大的行人圖像語義信息，實現(xiàn)了權重多樣性正則化效果，提高了行人重識別任務的準確率。

技術領域

本發(fā)明涉及計算機視覺技術領域，具體涉及一種基于權重多樣性正則化的行人重識別方法及其應用。

背景技術

隨著大數(shù)據(jù)時代的到來，算力資源得到不斷提升，基于深度神經(jīng)網(wǎng)絡的計算機視覺技術的飛速發(fā)展與進步，行人視頻監(jiān)控因其可以提高公共安全水平和保障人民的人身財產(chǎn)安全，顯得尤為重要。由于傳統(tǒng)行人視頻監(jiān)控需要用到大量人力資源且效率低下，基于計算機視覺技術的行人重識別技術成為了非常有挑戰(zhàn)性和研究價值的研究領域。與傳統(tǒng)基于手工設計特征的行人重識別技術不同，基于深度神經(jīng)網(wǎng)絡的行人重識別技術基于梯度下降原理對網(wǎng)絡參數(shù)進行優(yōu)化，可以比傳統(tǒng)方法提取出泛化能力更強的行人圖像特征，大幅增加了行人重識別的準確率。

現(xiàn)有的行人重識別方法通常基于深度學習，利用了卷積神經(jīng)網(wǎng)絡提取輸入網(wǎng)絡的行人圖像特征，使用交叉熵損失函數(shù)和三元組損失函數(shù)訓練網(wǎng)絡，將訓練好的網(wǎng)絡用于提取圖像特征，將提取的特征進行距離度量，即特征之間的匹配，從而達到行人重識別的目的。但使用這些方法訓練的網(wǎng)絡并不能十分有效地提取行人圖像特征，網(wǎng)絡依然將注意力集中在整體的全局特征上而未考慮局部特征，而局部特征與全局特征相比，不僅具有區(qū)分性更大的行人圖像語義信息，且局部特征更能滿足細粒度程度大的行人重識別任務對網(wǎng)絡提取的特征要求，故網(wǎng)絡提取的全局特征魯棒性不如局部特征，在進行行人之間特征匹配時性能較差。

發(fā)明內容

為了克服現(xiàn)有技術存在的缺陷與不足，針對現(xiàn)有基于深度學習的行人重識別方法無法很好利用行人局部特征，容易出現(xiàn)過擬合現(xiàn)象的缺陷，本發(fā)明提出一種基于權重多樣性正則化的行人重識別方法，采用權重多樣性正則化方法實現(xiàn)網(wǎng)絡權重多樣性，使得網(wǎng)絡深層中存在若干權重多樣的卷積層，迫使網(wǎng)絡提取不同的局部人體特征，對網(wǎng)絡起到正則化的效果，避免過擬合現(xiàn)象的發(fā)生，從而達到提高行人重識別準確率的效果。

本發(fā)明的第二目的在提供一種基于權重多樣性正則化的行人重識別系統(tǒng)。

本發(fā)明的第三目的在于提供一種存儲介質。

本發(fā)明的第四目的在于提供一種計算設備。

為了達到上述目的，本發(fā)明采用以下技術方案：

本發(fā)明提供一種基于權重多樣性正則化的行人重識別方法，包括下述步驟：

構建卷積神經(jīng)網(wǎng)絡，包括Resnet50網(wǎng)絡、卷積層以及全連接神經(jīng)網(wǎng)絡，并初始化卷積神經(jīng)網(wǎng)絡參數(shù)；

圖像預處理，得到卷積神經(jīng)網(wǎng)絡的輸入張量；

采用交叉熵損失函數(shù)和三元組損失函數(shù)的同時采用權重多樣性損失函數(shù)控制卷積神經(jīng)網(wǎng)絡中卷積層的權重互不相同，完成權重多樣性正則化；

卷積神經(jīng)網(wǎng)絡訓練，提取圖像中行人不同的局部特征，對每一個行人的局部特征級聯(lián)成為卷積神經(jīng)網(wǎng)絡輸出的特征向量，將提取到的所有行人特征向量進行距離度量，完成行人重識別。

作為優(yōu)選的技術方案，所述卷積神經(jīng)網(wǎng)絡包括：Resnet50網(wǎng)絡、6個卷積層以及6個全連接神經(jīng)網(wǎng)絡，將Resnet50網(wǎng)絡移除下采樣。

作為優(yōu)選的技術方案，所述圖像預處理具體步驟包括：