[發明專利]一種基于空間序列特征學習的行人重識別系統及方法

有效

• 申請號: 202110509285.1
• 申請日: 2021-05-11
• 公開（公告）號: CN113239784B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 黃德雙;張焜;伍永;元昌安
• 申請（專利權）人: 廣西科學院
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 張雪

1.一種基于空間序列特征學習的行人重識別系統，其特征在于：包括：Res2Net網絡、全局特征模塊、空間序列特征學習模塊；

其中所述Res2Net網絡用于對輸入的圖像進行特征提取，并輸出特征圖譜；

所述全局特征模塊包括平均池化模塊和全連接層模塊，用于對所述特征圖譜提取全局特征；

所述空間序列特征學習模塊包括卷積層、隨機掩膜模塊、最大池化模塊和自注意力模塊；

所述Res2Net網絡分別與所述全局特征模塊和所述空間序列特征學習模塊連接；

所述平均池化模塊與全連接層模塊連接；

所述卷積層和所述隨機掩膜模塊分別與所述最大池化模塊連接，所述最大池化模塊與所述自注意力模塊連接。

2.根據權利要求1所述的基于空間序列特征學習的行人重識別系統，其特征在于：所述Res2Net網絡包括多組卷積核分層為3*3的卷積，其中每組卷積均為殘差連接結構。

3.根據權利要求1所述的基于空間序列特征學習的行人重識別系統，其特征在于：所述Res2Net網絡還包括：SE模塊，用于計算通道注意力。

4.根據權利要求1所述的基于空間序列特征學習的行人重識別系統，其特征在于：所述全連接層模塊包括第一全連接層和第二全連接層，所述第一全連接層用于減少通道數，激活函數為ReLU；所述第二全連接層用于恢復通道數，激活函數為sigmoid。

5.根據權利要求1所述的基于空間序列特征學習的行人重識別系統，其特征在于：所述隨機掩膜模塊用于通過大小、位置均隨機的掩膜對特征圖譜進行遮擋，抑制高頻特征的出現概率。

6.根據權利要求1所述的基于空間序列特征學習的行人重識別系統，其特征在于：所述最大池化模塊用于對所述特征圖譜在水平和垂直兩個方向進行池化。

7.根據權利要求1所述的基于空間序列特征學習的行人重識別系統，其特征在于：所述自注意力模塊包括：多頭自注意力子模塊和融合了殘差結構的前饋神經網絡，其中所述多頭自注意力子模塊用于在多個子空間計算多方面注意力。

8.一種基于空間序列特征學習的行人重識別方法，其特征在于：包括以下步驟：

構建行人重識別模型并采集圖像數據，所述行人重識別模型包括：Res2Net網絡、全連接層、隨機掩膜和自注意力模塊，采集行人原始圖像，將三張所述行人原始圖像作為一組輸入圖像；

獲得特征圖譜，將一組輸入圖像輸入所述Res2Net網絡，所述Res2Net網絡提取所述行人原始圖像的特征，以獲得所述特征圖譜；

全局特征提取，將所述特征圖譜通過平均池化進行降維，以獲得第一特征圖譜，將所述第一特征圖譜輸入到所述全連接層，并映射到分類空間中，以計算損失函數；

空間序列特征提取，將所述特征圖譜先通過卷積層降維，獲得第二特征圖譜，通過所述隨機掩膜對所述第二特征圖譜部分區域進行抑制，在水平方向和垂直方向進行最大池化，獲取不同空間維度上的特征向量，再分別輸入到所述自注意力模塊中學習空間序列特征，并計算損失函數。

9.根據權利要求8所述的基于空間序列特征學習的行人重識別方法，其特征在于：所述損失函數包括：排序損失函數和AM-Softmax損失函數。