[發明專利]遮擋下行人重識別模型訓練方法、裝置及遮擋下行人重識別方法、裝置在審
| 申請號： | 202110429894.6 | 申請日： | 2021-04-21 |
| 公開（公告）號： | CN113095263A | 公開（公告）日： | 2021-07-09 |
| 發明（設計）人： | 周玉;孫彥景;王亮博;李銳 | 申請（專利權）人： | 中國礦業大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 北京眾合誠成知識產權代理有限公司 11246 | 代理人： | 劉珊珊 |
| 地址： | 221116 江蘇省*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 遮擋 行人 識別 模型 訓練 方法 裝置 | ||
1.一種遮擋下行人重識別模型訓練方法，其特征在于，包括以下步驟：
(1)搭建遮擋下行人重識別模型，包括依次連接的特征提取網絡、自注意力生成器、池化層、全連接層；
(2)將同一行人的無遮擋圖像和有遮擋圖像作為一對圖像對，收集多個圖像對構成訓練樣本集；
(3)對每一對圖像對，通過所述特征提取網絡分別提取兩幅圖像的特征圖像，對兩個特征圖像求差，得到差異特征圖像；
(4)通過所述自注意力生成器對所述差異特征圖像進行以下處理：
其中，x為輸入自注意力生成器的差異特征圖像，y為自注意力生成器輸出的差異特征圖像，i和j表示圖像中的位置索引，g(·)為一個實現卷積功能的轉換函數，C(x)為歸一化因子，f(·)為相似度函數；
(5)用所述兩個特征圖像分別與自注意力生成器輸出的差異特征圖像做差，得到兩個新的特征圖；
(6)將所述兩個新的特征圖依次送入池化層、全連接層，最后將所述兩個新的特征圖的相似度計算函數作為損失函數，通過損失函數進行模型的訓練，直至損失函數的值滿足預設的閾值要求。
2.根據權利要求1所述的遮擋下行人重識別模型訓練方法，其特征在于，所述特征提取網絡包括第一特征提取網絡和第二特征提取網絡，第一、第二特征提取網絡的結構相同且參數共享；其中，第一特征提取網絡用于提取無遮擋圖像的特征圖像，第二特征提取網絡用于提取有遮擋圖像的特征圖像。
3.根據權利要求2所述的遮擋下行人重識別模型訓練方法，其特征在于，所述第一、第二特征提取網絡采用ResNet網絡結構。
4.根據權利要求1所述的遮擋下行人重識別模型訓練方法，其特征在于，所述池化層和所述全連接層之間還設置有BN層。
5.根據權利要求1所述的遮擋下行人重識別模型訓練方法，其特征在于，所述損失函數的表達式為：
Loss＝αLtriplet+βLcls+λLdiff
其中，α、β、λ為平衡參數，用于使Ltriplet、Lcls和Ldiff處于同一個數量級，Ldiff為所述兩個新的特征圖之差，Ltriplet表示經過池化層池化后所述兩個新的特征圖之差，Lcls表示經過全連接層處理后所述兩個新的特征圖之差。
6.根據權利要求1所述的遮擋下行人重識別模型訓練方法，其特征在于，所述f(·)為以下任意一種函數：點積函數、拼接函數、高斯函數、嵌入高斯函數。
7.一種遮擋下行人重識別方法，其特征在于，包括步驟：
(1)采用權利要求1至6任意一項所述方法訓練出遮擋下行人重識別模型；
(2)采集任意兩幅行人圖像，對采集的圖像進行預處理，將采集的圖像處理成所述遮擋下行人重識別模型輸入層所規定的格式；
(3)將經過預處理的兩幅行人圖像輸入至所述遮擋下行人重識別模型，所述遮擋下行人重識別模型的全連接層輸出所述兩幅行人圖像中的行人是否為同一人的判決結果。
8.一種裝置，其特征在于，所述裝置包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被處理器執行時，實現權利要求1至6任意一項所述的遮擋下行人重識別模型訓練方法。
9.一種裝置，其特征在于，所述裝置包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被處理器執行時，實現權利要求7所述的遮擋下行人重識別方法。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國礦業大學，未經中國礦業大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110429894.6/1.html，轉載請聲明來源鉆瓜專利網。
