[發明專利]基于衣物脫敏網絡的多粒度換衣行人重識別方法

有效

• 申請號: 202110065609.7
• 申請日: 2021-01-18
• 公開（公告）號: CN112784728B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 高贊;魏宏偉;陳達;程志勇;舒明雷;聶禮強;王英龍
• 申請（專利權）人: 山東省人工智能研究院
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/26;G06V10/44;G06V10/56;G06V10/74;G06V10/77;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟南泉城專利商標事務所 37218
• 代理人: 支文彬

1.一種基于衣物脫敏網絡的多粒度換衣行人重識別方法，其特征在于，包括如下步驟：

a)通過語義分割算法對預先獲得的RGB圖像進行語義分割，得到對應圖像的部件語義分割圖像，將得到的語義分割圖作為一項標簽輸入網絡，進行監督訓練；

b)將預先獲得的RGB圖像輸入卷積神經網絡，經卷積神經網絡處理后預先獲得的RGB圖像由7×7的特征圖表示，特征通道數為1024；

c)使用8個不同權重的并列的卷積層對特征圖進行卷積操作，在空間和通道上對特征圖進行降維提特征處理，得到8個不同結果的高維度的特征圖，使用reshape函數將8個高維度的特征圖的對應通道連接起來，得到288個8維向量表示行人單一屬性，通過公式使用非線性擠壓函數對每個向量的長度進行標準化處理，為第k個8維向量，k∈[1,288]，通過公式計算由288個8維向量與權重矩陣w_k相乘得到1024個24維向量為實數空間，通過公式對24維向量進行耦合計算，得到的耦合計算結果對每一個行人類別做對應的向量表示，每個行人類別數為N，n∈[1,N]，為耦合系數；

d)將步驟a)中的部件語義分割圖像和步驟b)中的特征圖輸入部件語義對齊模塊實現特征對齊，所述部件語義對齊模塊包括反卷積層、歸一化、激活函數、1×1的卷積層；

e)通過公式L＝λ₁L_ID+λ₂L_triplet+λ₃L_part計算損失函數L，式中L_ID為分類損失，L_triplet為三元組損失，L_part為部件語義對齊損失，λ₁、λ₂、λ₃為權重；

f)通過損失函數L優化深度學習模型用于行人特征提取，將給定的一張行人圖像在優化后的深度學習模型中的測試集中檢索得到同一身份的其他行人圖像并返回排序列表。

2.根據權利要求1所述的基于衣物脫敏網絡的多粒度換衣行人重識別方法，其特征在于：步驟a)中分割算法模型為DANet網絡模型，將DANet網絡模型在COCO Densepose數據集上進行預訓練。

3.根據權利要求1所述的基于衣物脫敏網絡的多粒度換衣行人重識別方法，其特征在于：步驟b)中的卷積神經網絡使用在ImageNet數據集上預訓練的DenseNet121作為骨干網絡。

4.根據權利要求1所述的基于衣物脫敏網絡的多粒度換衣行人重識別方法，其特征在于：步驟c)中卷積層的卷積核大小為2×2，步長為2。

5.根據權利要求1所述的基于衣物脫敏網絡的多粒度換衣行人重識別方法，其特征在于：步驟d)中反卷積層為步長為2的3×3的反卷積層。

6.根據權利要求1所述的基于衣物脫敏網絡的多粒度換衣行人重識別方法，其特征在于，步驟e)包括如下步驟：

e-1)通過公式

計算得到分類損失L_ID，式中y_n為輸入的一圖像所述的行人類別，當該圖像屬于行人n時，y_n＝1，當該圖像不屬于行人n時，y_n＝0，n∈[1,N]，λ為權重，λ＝0.5，m⁺與m^-為設定邊界，

e-2)通過公式計算三元組損失L_triplet，式中f_a為從anchor圖像中提取的特征，f_p為從positive圖像中提取的特征,f_n為從negative圖像中提取的特征，α為邊界超參數，P每個批次訓練的類別個數，K為每個類別中的圖像張數；

e-3)部件語義對齊損失L_part的損失函數采用cross-entropy loss。

7.根據權利要求1所述的基于衣物脫敏網絡的多粒度換衣行人重識別方法，其特征在于，步驟f)中：優化后的深度學習模型提取出測試集中所有圖像的特征向量表示，將給定的一張行人圖像I₁與測試集中的一圖像I₂通過公式分別計算代表相似性的歐氏距離為通過網絡前向傳播得到的I₁的特征向量，為通過網絡前向傳播得到的I₂的特征向量，根據計算得到的相似性從高到低對測試集中的圖像進行排序，按該排序返回檢索結果列表。