[发明专利]基于分块非直接耦合GAN网络的行人重识别方法

权利要求书

1.基于分块非直接耦合GAN网络的行人重识别方法，其特征在于：包括以下步骤，

步骤1：输入行人图像到GAN网络中的编码器中；GAN网络由一个编码器，一个解码器，两个判别器组成；两个判别器分别是身份判别器D_id和姿态判别器D_pd；

步骤2：对编码器进行训练，得到能区分不同行人的特征；

步骤3：再次输入行人图片，经过编码器提取行人特征；输入目标姿态热图，经过姿态提特征网络得到姿态特征；然后将行人特征向量，姿态特征向量和噪声向量在通道维度通过concate操作组合在一起，输入到GAN网络中的解码器，然后训练得到生成图；

步骤4：将输入的行人图像，目标姿态原图和生成图一起输入到GAN网络中的身份判别器D_id中；

步骤5：将输入的行人图像姿态图，目标姿态图和生成图一起输入到GAN网络中的姿态判别器D_pd中；

步骤6：训练整个GAN网络，利用GAN网络中的编码网络来提起查询图和待查询图的特征，计算特征相似度进行重识别。

2.根据权利要求1所述的基于分块非直接耦合GAN网络的行人重识别方法，其特征在于：步骤2中编码器由分块非直接耦合表征学习网络组成(即编码网络Encoder)，步骤2包括：

步骤2-1：将行人图像统一缩放为384*128大小，并对图像进行水平翻转，随机擦除等图像增强操作；

步骤2-2：将步骤2-1得到图形输入到编码网络中进行训练，得到的特征向量水平分成6块，每一块得到256维列向量，并与真实的类别标签计算交叉熵损失；

步骤2-3：将步骤2-1得到每张图分块的向量，计算任意两块特征向量的余弦相似度，与零向量取L1损失。

3.根据权利要求2中所述的基于分块非直接耦合GAN网络的行人重识别方法，其特征在于：编码网络Encoder由一个基准网络，两个损失函数构成，具体描述如下：

对于步骤2-2，对于6块中的每个块，执行平均池化和1x1卷积运算；每个块获得一个256维的列向量；

对于步骤2-3，余弦相似度接近零时，对网络权重矩阵进行L2正则化，从而得到分段独立的特征。

4.根据权利要求1所述的基于分块非直接耦合GAN网络的行人重识别方法，其特征在于：步骤3中解码器的解码网络Decoder是一个上采样的过程，步骤3包括：

步骤3-1：输入融合后的特征，经过一次反卷积模块的操作，得到第1层的特征向量；

步骤3-2：第1层的输出输入到反卷积模块中，得到第2层的特征向量；

步骤3-3：第2层的特征向量的上采样操作融合了反卷积模块和双线性插值模块，从而得到第3层特征向量；

步骤3-4：第3层特征向量经过融合模块的上采样操作得到第4层特征向量；

步骤3-5：第4层的特征向量经过反卷积模块得到生成图。

5.根据权利要求4中所述的基于分块非直接耦合GAN网络的行人重识别方法，其特征在于：所述的解码网络Decoder上采集过程为：网络输入层融合行人特征，目标姿态特征和噪声向量的组合特征，然后进行上采样操作，解码成输入图的大小；

解码器上采样的子模块由反卷积模块和双线性插值模块，双线性插值模块由Bilinear-Cov网络组成，添加1x1卷积层用来获得与反卷积模块相同的特征通道数。

6.根据权利要求1所述的基于分块非直接耦合GAN网络的行人重识别方法，其特征在于：在步骤4中将输入身份判别器D_id中的图像中像素执行对应像素相减，然后求平方差；然后进行批处理归一化层(BN)，全连接层(FC)，最后非线性函数输出分类概率；如果输入和目标是同一个人，则将标签设置为true，否则设置为false。

7.根据权利要求1所述的基于分块非直接耦合GAN网络的行人重识别方法，其特征在于：在步骤5中将输入姿态判别器D_pd中的图像和姿态图沿通道维级联，然后通过4个Conv-BN-ReLU子网络和非线性函数进行处理，以获取值在区间[0，1]的置信度。

8.根据权利要求1所述的基于分块非直接耦合GAN网络的行人重识别方法，其特征在于：在步骤6中输入查询图和待查询图到解码网络，提取特征，计算查询图和待查询图的特征的欧式距离，距离越近越相似，将欧式距离进行升序排序，取Top1，Top5，Top10结果。