[发明专利]一种基于统一划分的特征自适应行人再识别方法在审
申请号: | 201911096785.6 | 申请日: | 2019-11-11 |
公开(公告)号: | CN111126135A | 公开(公告)日: | 2020-05-08 |
发明(设计)人: | 宋晓宁;张德磊;冯振华;於东军 | 申请(专利权)人: | 上海蠡图信息科技有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62;G06N3/04 |
代理公司: | 南京禹为知识产权代理事务所(特殊普通合伙) 32272 | 代理人: | 宋华 |
地址: | 201900 上海市宝山*** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 统一 划分 特征 自适应 行人 识别 方法 | ||
本发明公开了一种基于统一划分的自适应行人再识别方法,包括以下步骤,构建DenseNet骨干网络作为特征提取的网络结构并进行优化和训练;提取网络全连接层之前的目标特征;对提取的所述目标特征进行统一划分;利用马氏距离均值判断划分后的相邻特征是否需要特征融合;对DenseNet提取的特征做切片划分之后,切片后的特征做池化并将池化后的相邻特征拼接,拼接之后再做一次池化;添加fc层对融合后的张量展开做全连接,所述fc层经过Softmax分类获取目标ID来预测行人的身份。本发明的有益效果:本发明在基于统一划分的自适应行人再识别方法中能够取得了最高的精度,表明其稳定性与有效性。
技术领域
本发明涉及深度学习的技术领域,尤其涉及一种基于统一划分的特征自适 应行人再识别方法。
背景技术
近年来深度学习方法由于其提取特征能力强和模型泛化能力优秀,受到学 术界以及工业界的青睐。然而深度学习出现之初,虽然学习能力强,但是由于 软硬件性能支撑有限,导致其应用范围受限。而随着卷积神经网络的出现,网 络参数量大幅减少,计算机硬件性能大规模改善,深度学习方法近十几年得到 了广泛的关注与发展。深度学习方法在模式识别方向上得到了大规模应用,并 且取得了很好的效果。
其中行人再识别作为模式识别中的一个方向,在安防、无人超市等领域应 用需求的刺激下,得到了人们的关注,也取得了一定的发展。早期,行人再识 别的发展仅局限于传统机器学习方法的应用,然而传统机器学习方法提取的特 征泛化能力有限,识别率迟迟无法得到有效的提升。随着深度学习被应用于行 人再识别(PersonRe-identification,Re-ID),识别率在近年得到了大幅提高。与 深度学习在人脸识别的应用不同,Re-ID并不依赖于人脸信息的学习,而更依 赖人的姿态信息、颜色信息等等来识别行人ID。而行人姿态信息,在不同场 景中,往往出现目标姿态偏差,目标遮挡等问题,这也为Re-ID任务带来了极大的挑战。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较 佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或 省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略 不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:提供一种基于统一划分的自适应行人再 识别方法,提高识别精度。
为解决上述技术问题,本发明提供如下技术方案:一种基于统一划分的自 适应行人再识别方法,包括以下步骤,构建DenseNet骨干网络作为特征提取 的网络结构并进行优化和训练;提取网络全连接层之前的目标特征;对提取的 所述目标特征进行统一划分;利用马氏距离均值判断划分后的相邻特征是否需 要特征融合;对DenseNet提取的特征做切片划分之后,切片后的特征做池化 并将池化后的相邻特征拼接,拼接之后再做一次池化;添加fc层对融合后的张 量展开做全连接,所述fc层经过Softmax分类获取目标ID来预测行人的身份。
作为本发明所述的基于统一划分的自适应行人再识别方法的一种优选方 案,其中:所述网络结构的优化包括,将最后一层的pooling步长改为1*1,增 加特征信息量;通过1*1卷积将得到的1664通道数特征改为2048通道数。
作为本发明所述的基于统一划分的自适应行人再识别方法的一种优选方 案,其中:利用所述Softmax函数对网络输出结果做优化分类训练,包括假设 网络原始网络的输出为y1,y2,…,yn;
经过Softmax回归处理后的输出为:
通过交叉熵损失,计算预测概率分布与真实概率分布之间的距离。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海蠡图信息科技有限公司,未经上海蠡图信息科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911096785.6/2.html,转载请声明来源钻瓜专利网。