[发明专利]一种行人重识别方法及系统

权利要求书

1.一种行人重识别方法，其特征在于，包括：

获取双线性卷积神经网络模型；所述双线性卷积神经网络模型包括由残差网络构成的主干网络和分干网络；

获取输入行人图像；所述输入行人图像包括待识别的行人图像和待搜索库中的图像；

利用所述双线性卷积神经网络模型的主干网络，提取所述输入行人图像的中间特征；所述中间特征为所述主干网络中的残差块输出的多层特征图；

对所述中间特征进行切片操作，得到所述输入行人图像的分块特征；

利用所述双线性卷积神经网络模型的主干网络对所述分块特征进行卷积和线性整流操作，得到所述输入行人图像的第一行人分块细粒度特征；所述第一行人分块细粒度特征为所述输入行人图像中行人局部的特征；

利用所述双线性卷积神经网络模型的分干网络对所述分块特征进行卷积和线性整流操作，得到所述输入行人图像的第二行人分块细粒度特征；所述第二行人分块细粒度特征为所述输入行人图像中行人不同位置的特征；

对所述第一行人分块细粒度特征和所述第二行人分块细粒度特征采用双线性池化层进行融合，得到所述输入行人图像的融合特征；所述融合特征为行人不同位置的融合细粒度特征；

根据所述待识别行人图像的融合特征与所述待搜索库中图像的融合特征之间的距离，确定所述待搜索库中与所述待识别行人图像相同的图像。

2.根据权利要求1所述的一种行人重识别方法，其特征在于，所述对所述第一行人分块细粒度特征和所述第二行人分块细粒度特征采用双线性池化层进行融合，得到所述输入行人图像的融合特征，之后还包括：

对所述融合特征进行自适应池化操作和卷积操作，得到降维后的融合特征；

利用损失函数L＝0.6*L₁+0.4*L₂对所述降维后的融合特征进行优化；L₁为主干网络的损失值，L₂为分干网络的损失值。

3.根据权利要求1所述的一种行人重识别方法，其特征在于，所述获取双线性卷积神经网络模型，之前还包括：

使用Pytorch深度学习库对所述双线性卷积神经网络模型进行训练。

4.根据权利要求1所述的一种行人重识别方法，其特征在于，所述获取双线性卷积神经网络模型，之后还包括：

去除所述双线性卷积神经网络模型的逻辑回归层。

5.一种行人重识别系统，其特征在于，包括：

模型获取模块，用于获取双线性卷积神经网络模型；所述双线性卷积神经网络模型包括由残差网络构成的主干网络和分干网络；

图像获取模块，用于获取输入行人图像；所述输入行人图像包括待识别的行人图像和待搜索库中的图像；

中间特征提取模块，用于利用所述双线性卷积神经网络模型的主干网络，提取所述输入行人图像的中间特征；所述中间特征为所述主干网络中的残差块输出的多层特征图；

切片模块，用于对所述中间特征进行切片操作，得到所述输入行人图像的分块特征；

第一行人分块细粒度特征确定模块，用于利用所述双线性卷积神经网络模型的主干网络对所述分块特征进行卷积和线性整流操作，得到所述输入行人图像的第一行人分块细粒度特征；所述第一行人分块细粒度特征为所述输入行人图像中行人局部的特征；

第二行人分块细粒度特征确定模块，用于利用所述双线性卷积神经网络模型的分干网络对所述分块特征进行卷积和线性整流操作，得到所述输入行人图像的第二行人分块细粒度特征；所述第二行人分块细粒度特征为所述输入行人图像中行人不同位置的特征；

融合特征确定模块，用于对所述第一行人分块细粒度特征和所述第二行人分块细粒度特征采用双线性池化层进行融合，得到所述输入行人图像的融合特征；所述融合特征为行人不同位置的融合细粒度特征；

识别模块，用于根据所述待识别行人图像的融合特征与所述待搜索库中图像的融合特征之间的距离，确定所述待搜索库中与所述待识别行人图像相同的图像。