[发明专利]一种基于全局特征拼接的行人重识别方法

说明书

本发明公开了一种基于全局特征拼接的行人重识别方法，从空间维度提升网络性能。首先利用SE‑ResNeXt50网络作为骨干网络提取行人图像特征；然后把不同卷积层提取的特征进行拼接，使特征信息互补；最后将拼接后的特征再次进行卷积处理，获得高细粒度的特征；所引入的聚类损失函数不同于目前常用的三元组损失函数，并且首次将聚类损失函数和交叉熵损失函数联合训练模型；本发明的识别效果在Market1501数据集上，Rank‑1、mAP两个评价指标分别达到了95.9％和94.6％，是目前识别效果较高的，并且网络结构简单，计算量小。

技术领域

本发明属于数字图像处理、计算机视觉技术领域，涉及一种行人重识别方法，特别是涉及一种基于全局特征表征的行人重识别方法。

背景技术

行人重识别也称行人再识别(Person Re-identification,person ReID)，是指在跨摄像头的环境中，判断是否存在给定行人图像。该技术是计算机视觉、机器学习以及模式识别的综合运用。具体流程，首先对查询集(Probe)和候选行人数据集(Gallery)进行特征提取，然后根据特征向量给出相似度排序，可用于城市安防管理、智能零售、相册聚类等领域。

2014年以前，研究学者通过设计鲁棒的特征提取器和优化的相似度度量方法进行识别。但是这些手工特征描述效果差，并且度量学习对大数据集求解困难，难以胜任实际运用。进入深度学习时代后，卷积神经网络(Convolutional Neural Network,CNN)能够从大量的数据集中学习到复杂的特征，利用简单的距离度量方法便取得了突破性的性能提升，基于深度学习的行人重识别取代了前者。特征提取的效果直接影响整个person ReID系统的性能，因此近年来很多学者对此进行了研究，并提出了很多算法。

特征提取的方法分为全局特征和局部特征。全局特征通过CNN提取行人图像的颜色、纹理、形状等整体属性特征。局部特征通过CNN提取行人图像局部区域的特别属性特征，如边缘、角点等。目前，许多研究学者专注于把全局特征和局部特征做融合，以达到增强特征表征能力的目的。然而这些算法并不能达到较高的识别率，并且网络模型复杂。

发明内容

本发明的目的在于提出一种基于全局特征拼接的行人重识别算法，显著提升行人重识别效果，降低网络模型复杂性，减少计算量，能够适用于行人姿态变化、拍摄角度变化、光线变化、物体遮拦等因素引起的低劣质量行人图像的识别。

本发明所采用的技术方案是：一种基于全局特征拼接的行人重识别方法，其特征在于，包括以下步骤：

步骤1：针对输入的行人重识别数据集，进行特征提取；所述行人重识别数据集的测试集由查询集和候选行人数据集组成；所述行人重识别数据集的测试集由查询集(Probe)和候选行人数据集(Gallery)组成；

步骤2：特征拼接；

首先使用双线性插值做升维处理，将特征尺度统一；然后将相同尺度的特征拼接；

步骤3：卷积操作；

卷积层采用步长为1，填充为1的3×3卷积提取拼接特征；

步骤4：池化操作；

将步骤3所提取的特征做全局平均池化和归一化处理；

步骤5：将聚类损失函数和标签平滑损失函数联合训练网络，学习更多具有识别性的特征；

步骤6：输出结果；

计算查询数据集中指定行人图像和候选行人数据集的每张图像的欧式距离，接着对所计算得到的距离进行升序排序，获得行人重识别结果。

本发明提出了一种基于深层特征融合的行人重识别方法，与现有算法相比，其显著优点在于：