[發明專利]基于多區域注意力關聯的空間關系模型行人特征識別方法在審
| 申請號： | 202210469402.0 | 申請日： | 2022-04-28 |
| 公開（公告）號： | CN115188019A | 公開（公告）日： | 2022-10-14 |
| 發明（設計）人： | 熊明福;熊捷繁;何儒漢 | 申請（專利權）人： | 武漢紡織大學 |
| 主分類號： | G06V40/10 | 分類號： | G06V40/10;G06V10/44;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 上海思真遠達專利代理事務所(特殊普通合伙) 31481 | 代理人： | 解麗麗 |
| 地址： | 430200 湖*** | 國省代碼： | 湖北;42 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 區域 注意力 關聯 空間 關系 模型 行人 特征 識別 方法 | ||
1.基于多區域注意力關聯的空間關系模型行人特征識別方法，其特征在于，該識別方法具體步驟如下：
(1)提取行人圖像全局特征：將采集到的各組行人圖像導入ResNet50網絡中，并通過ResNet50網絡對各組行人圖像進行全局特征提取；
(2)獲取局部特征信息并進行數據增強：對全局特征采用多通道均分的方法進行局部特征獲取，構建空間注意力模型，并通過該空間注意力模型對提取出的各組局部特征進行特征增強；
(3)對各組局部特征進行空間關聯：構建空間自適應圖卷積模型，并將各組局部特征導入該空間自適應圖卷積模型中，之后對各組局部特征進行特征融合，并對融合后的局部特征進行空間關聯；
(4)依據各組特征信息進行度量計算：收集最終獲取的與原始輸入個數相同的局部特征和全局特征，基于所獲取的各組特征進行不同行人間的度量計算。
2.根據權利要求1所述的基于多區域注意力關聯的空間關系模型行人特征識別方法，其特征在于，步驟(1)中所述局部特征提取具體步驟如下：
步驟一：ResNet50網絡將行人圖像進行特征粗提取以得到W×H×C的三維特征向量，其中，W和H分別代表每個局部特征的寬度和高度，C代表每一個局部特征的通道數；
步驟二：按照不同的均分標準將得到的特征圖水平分割為多個局部特征區域，并將相同標準下獲得的局部特征區域歸屬于同一個小組。
3.根據權利要求1所述的基于多區域注意力關聯的空間關系模型行人特征識別方法，其特征在于，步驟(2)中所述特征增強具體步驟如下：
第一步：收集分割完成的各組局部特征，并將收集到的各組局部特征導入空間注意力模型中；
第二步：空間注意力模型通過構建鄰接矩陣來學習注意力掩碼，并采用注意力機制來對行人興趣區域進行提取，并依據提取出的信息對各組局部特征進行訓練增強。
4.根據權利要求1所述的基于多區域注意力關聯的空間關系模型行人特征識別方法，其特征在于，第二步中所述注意力機制對于局部特征的增強過程具體計算公式如下：
Wl′＝Wl⊙M (1)
式中，其中Wl為局部特征，M對應分配注意力權重的mask矩陣，Wl′為經過注意力增強后特征表達。
5.根據權利要求4所述的基于多區域注意力關聯的空間關系模型行人特征識別方法，其特征在于，步驟(3)中所述局部特征特征融合具體步驟如下：
S1.1：空間自適應圖卷積模型接收經注意力加權后的的各組局部特征，并構建輸入特征集Vlin∈RB×C×W×h，其中，B代表每一個分組中局部特征的個數，h代表局部特征的空間層級的高度；
S1.2：通過全局最大池化操作將各組輸入特征集進行轉化以獲取原始局部信息中的最顯著特征，之后將轉化后的輸入特征集按照B次輸入到子模塊OVSR中；
S1.3：使每一個局部特征初步學習到其他局部特征的信息，同時將轉化后的輸入特征集分為基準特征以及其他鄰居特征，對其他鄰居特征進行全局平均池化操作，然后對上下分支進行卷積操作并進行拼接；
S1.4：利用殘差網絡的思想將基準局部特征與拼接后的關聯特征進行融合以得到經過淺層關系增強的局部特征。
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武漢紡織大學，未經武漢紡織大學許可，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/202210469402.0/1.html，轉載請聲明來源鉆瓜專利網。
