[發明專利]一種基于通道特征聚合的行人重識別方法

在審

• 申請號: 202110524584.2
• 申請日: 2021-05-13
• 公開（公告）號: CN113283320A
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 徐增敏;陸光建;蒙儒省;丁勇
• 申請（專利權）人: 桂林安維科技有限公司;桂林電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林文必達專利代理事務所(特殊普通合伙) 45134
• 代理人: 張學平

1.一種基于通道特征聚合的行人重識別方法，其特征在于，包括以下步驟：

對原始殘差網絡進行分割和加權組合，并結合注意力機制，構建行人重識別模型；

對獲取的圖像進行隨機的數據增強，并將劃分出的多個數據集分別輸入所述行人重識別模型中進行訓練和驗證，得到對應的置信度分數；

對所述置信度分數進行歸一化處理，并采用正則化策略進行過擬合抑制，得到預測概率值。

2.如權利要求1所述的基于通道特征聚合的行人重識別方法，其特征在于，對原始殘差網絡進行分割和加權組合，并結合注意力機制，構建行人重識別模型，包括：

利用1x1卷積分離通道，并將輸入數據分成多個小組，以及將每個所述小組劃分為多個小塊；

將所有所述小組和所述小塊進行分組融合，并結合注意力機制，構建行人重識別模型。

3.如權利要求2所述的基于通道特征聚合的行人重識別方法，其特征在于，將所有所述小組和所述小塊進行分組融合，并結合注意力機制，構建行人重識別模型，包括：

將每個所述小組中的所有所述小塊通過1x1卷積分離通道和3x3卷積融合；

將融合后的所有所述小組進行聚合輸出，并經過1x1卷積操作后，結合注意力機制，構建行人重識別模型。

4.如權利要求1所述的基于通道特征聚合的行人重識別方法，其特征在于，對獲取的圖像進行隨機的數據增強，并將劃分出的多個數據集分別輸入所述行人重識別模型中進行訓練和驗證，得到對應的置信度分數，包括：

對獲取的圖像進行隨機的裁剪、擦除和水平翻轉；

采用交叉驗證法將增強數據后的所述圖像劃分為訓練集、查詢圖像和檢索庫圖像；

基于Mini-Batch梯度下降算法和余弦退火法，利用所述訓練集對所述行人重識別模型進行訓練，并利用所述查詢圖像和所述檢索庫圖像對訓練后的所述行人重識別模型進行測試，得到對應的多個置信度分數。

5.如權利要求4所述的基于通道特征聚合的行人重識別方法，其特征在于，對獲取的圖像進行隨機的裁剪、擦除和水平翻轉，包括：

對獲取的圖像中的多個類別主要特征中隨機的插入背景因子，基于信息增益或權重的比值，刪除對應的所述背景因子，完成對所述圖像的裁剪；

獲取所述圖像的原始寬高和面積、隨機擦除區域的寬高和面積；

獲取所述圖像中的任一像素點，并當所述像素點滿足擦除要求時，將所述隨機擦除區域內所有點的像素值改為(0,255)中任意一個隨機數，完成對所述圖像的裁剪；

基于Auto Augmentation法對所述圖像進行隨機的水平翻轉。

6.如權利要求1所述的基于通道特征聚合的行人重識別方法，其特征在于，對原始殘差網絡進行分割和加權組合，并結合注意力機制，構建行人重識別模型之后，所述方法還包括：

基于ReLU激活函數，將所述ReLU激活函數的正區間取值修改為權重偏置項與特征圖矩陣元素之和，得到修改后的WReLU激活函數。

7.如權利要求6所述的基于通道特征聚合的行人重識別方法，其特征在于，對原始殘差網絡進行分割和加權組合，并結合注意力機制，構建行人重識別模型之后，所述方法還包括：

基于ReLU激活函數，將所述ReLU激活函數的負區間取值修改為權重偏置項，得到修改后的LWReLU激活函數。

8.如權利要求7所述的基于通道特征聚合的行人重識別方法，其特征在于，對原始殘差網絡進行分割和加權組合，并結合注意力機制，構建行人重識別模型，所述方法還包括：

在原始殘差網絡和注意力機制中，根據結構比重情況，對應選擇WReLU激活函數提取正區間特征信息或者使用LWReLU激活函數提取負區間特征信息。