[发明专利]一种基于全局和局部细粒度特征的行人重识别方法

权利要求书

1.一种基于全局和局部细粒度特征的行人重识别方法，其特征在于，包括下述步骤：

获取行人图像，进行所述行人图像的数据预处理；

特征图像提取：采用残差网络建立图像特征提取通道，生成行人图像的高阶特征图；

构建行人重识别网络的全局分支、第一局部分支和第二局部分支；

训练行人重识别网络；

所述训练行人重识别网络，在训练过程中的总损失函数设置为：

L_total＝L_softmax+2L_triplet+0.005L_centerloss；

其中，

其中，W_k、b_k分别表示第K类的权重向量及偏置，C表示训练数据集中的类的数量，N表示训练过程中的单批量的大小，分别表示从批处理随机选定一张图、搜索的包含选定图目标行人的图片、搜索出的不包含选定图目标行人的图片中提取的特征，表示控制阈值大小的超参数，P、K表示mini-batch中的行人个数及每个行人图片张数，f_i表示第i个学到的特征，c_yi表示f_i所对应的第yi类的特征中心；

采用行人重识别网络的全局分支进行全局特征提取，得到全局特征；

采用行人重识别网络的第一局部分支和第二局部分支进行局部特征提取，得到局部特征；

将所述全局特征和局部特征通过张量连接，作为行人的最终特征表示，将检索行人的特征表示与查询库中其他行人在网络中输出的特征向量进行距离计算，按距离进行排序得出最终的相似度结果。

2.根据权利要求1所述的基于全局和局部细粒度特征的行人重识别方法，其特征在于，所述进行所述行人图像的数据预处理，所述数据预处理包括数据归一化、数据增广和随机擦除；

所述数据归一化具体步骤为：对行人图像进行归一化统一尺寸；

所述数据增广具体步骤为：对输入的行人图像进行水平翻转，增加图像数据数量；

所述随机擦除具体步骤为：对每张输入的行人图像随机选择图像中的矩形区域并删除对应像素。

3.根据权利要求2所述的基于全局和局部细粒度特征的行人重识别方法，其特征在于，所述矩形区域采用预设区域内的随机数乘以图像的统一尺寸生成。

4.根据权利要求1所述的基于全局和局部细粒度特征的行人重识别方法，其特征在于，所述采用残差网络建立图像特征提取通道，生成行人图像的高阶特征图，具体步骤包括：

采用残差网络的conv1、conv2_x、conv3_x和conv4_x建立图像特征提取通道，分别经过conv_1的7x7卷积块进行第一次高层特征提取，经过conv2_x最大池化与3x3卷积块进行第二次高层特征提取，经过conv3_x和conv4_x的3x3卷积块后生成行人图像的高阶特征图。

5.根据权利要求1所述的基于全局和局部细粒度特征的行人重识别方法，其特征在于，所述采用行人重识别网络的全局分支进行全局特征提取，得到全局特征，具体步骤包括：

所述全局分支设有残差网络的conv5x，所述全局分支在res_conv5_1中采用步长为2的卷积层进行下采样，在输出的特征图上进行全局最大池化运算，并采用1×1卷积、批处理归一化和ReLU激活处理，将高维度特征改变为低维度特征。

6.根据权利要求1所述的基于全局和局部细粒度特征的行人重识别方法，其特征在于，采用行人重识别网络的第一局部分支和第二局部分支进行局部特征提取，得到局部特征，具体步骤包括：

所述第一局部分支和第二局部分支通过未采用下卷积的conv5_1保留局部特征细节，通过张量的划分将特征进行水平切割，在各通道上进行独立处理，得到局部特征。

7.根据权利要求6所述的基于全局和局部细粒度特征的行人重识别方法，其特征在于，所述在各通道上进行独立处理，具体步骤包括：全局最大池化运算、1×1卷积、批处理归一化和ReLU激活处理。