[发明专利]一种基于动态遮挡样本的行人再识别方法

说明书

本发明实施例公开了一种基于动态遮挡样本的行人再识别方法，该方法包括：构建原始图像特征学习网络框架；将训练集的行人图像输入，得到n个局部特征，对于所述局部特征学习优化，将得到的n个优化局部特征串联起来作为训练行人图像的原始图像特征；构建生成器；产生遮挡的行人图像；将遮挡的行人图像输入所述生成器，得到n个局部特征，对于所述局部特征学习优化，将得到的n个局部特征串联起来作为遮挡图像特征；利用所述原始图像特征和遮挡图像特征得到所述训练行人图像的最终特征，并利用所述训练行人图像的最终特征进行行人再识别。本发明充分利用卷积神经网络的优势，学习行人的原始图像特征和遮挡图像特征，最终融合两种特征来表示行人图像，进一步提高了行人再识别的匹配正确率。

技术领域

本发明属于模式识别、人工智能领域，具体涉及一种基于动态遮挡样本的行人再识别方法。

背景技术

行人再识别(Person Re-Identification)主要研究在不同摄像机下搜索相同行人的方法。该技术能够快速准确的定位目标行人，因此在安全防卫等领域得到了广泛的应用。然而由于真实场景中行人姿势、衣着、光照以及摄像机角度变化较大，而且行人经常被障碍物遮挡，这些都使得行人再识别技术面临着巨大的挑战。

近几年，研究者将深度学习方法应用到行人再识别领域后取得了较大发展，使得行人再识别的正确搜索率得到大幅提高。为了训练性能较好的深度学习模型，通常需要大量的训练样本。然而现有数据集中训练样本数量较少，另一方面采集真实样本的花费较高，因此很多研究者提出利用不同的数据增强方法解决样本不足的难题。目前，常用的数据增强方法是随机裁剪和随机翻转。之后，Zhong等人提出随机擦除的数据增强方法，该方法首先随机产生一个遮挡区域，之后用随机像素值替代遮挡区域的像素值，产生的遮挡样本能够达到扩充训练样本的目的。Huang等人提出遮挡判别性区域方法来产生对抗遮挡样本，然后联合原始图像训练深度学习模型来提高行人再识别的正确搜索率。Zheng等人利用生成对抗网络产生虚拟行人图像，并联合真实行人图像训练深度学习模型。此外，很多研究者又将对抗学习的思想应用到行人再识别领域，进一步提高了行人再识别的性能，Liu等人提出基于对抗二值编码的行人再识别方法，该方法利用产生的二进制特征来表示行人图像。Deng等人利用孪生神经网络和生成对抗网络共同组成对抗模型来学习判别性的特征。Yin等人利用对抗学习设计了基于图像属性的行人再识别模型。然而，以上数据增强的方法并没有匹配动态的模型状态，对抗学习方法没有与数据增强的方法进行有效的结合。

发明内容

本发明的目的是要解决遮挡的行人图像不能匹配动态的模型状态，并且没有提高遮挡样本性能的技术问题，为此，本发明提供一种基于动态遮挡样本的行人再识别方法。

为了实现所述目的，本发明提出的一种基于动态遮挡样本的行人再识别方法包括以下步骤：

步骤S1，利用预训练深度学习模型构建原始图像特征学习网络框架；

步骤S2，将训练集的行人图像输入构建的网络框架，得到训练行人图像的n个局部特征，利用交叉熵函数对于所述局部特征学习优化，将得到的n个优化局部特征串联起来作为所述训练行人图像的原始图像特征；

步骤S3，利用所述预训练深度学习模型构建生成器来学习遮挡图像特征；

步骤S4，将与学习原始图像特征相同的训练行人图像输入到所述生成器中，在第l个卷积层后提取卷积注意力图，并计算所述卷积注意力图中最显著的区域；

步骤S5，将所述卷积注意力图中最显著的区域映射到所述训练行人图像中，并利用一个随机常数进行遮挡，产生遮挡的行人图像；

步骤S6，将遮挡的行人图像输入所述生成器，得到遮挡行人图像的n个局部特征，利用交叉熵函数对于所述局部特征学习优化，将得到的n个局部特征串联起来作为遮挡图像特征；

步骤S9，利用所述原始图像特征和遮挡图像特征得到所述训练行人图像的最终特征，并利用所述训练行人图像的最终特征进行行人再识别。