[发明专利]基于分块非直接耦合GAN网络的行人重识别方法

说明书

本发明公开了基于分块非直接耦合GAN网络的行人重识别方法，首先输入图像到分块非直接耦合表征学习网络中进行训练，可以得到更多更互补的特征信息，从而能区分不同行人。然后分块非直接耦合表征学习网络作为GAN网络的编码器，即分块非直接耦合GAN网络，训练GAN网络，通过判别器，解码器等的反向传播来获得能识别不同姿态下的相同行人特征。从而得到更鲁棒的特征，进行行人重识别。本发明在最终进行行人重识别时，只用到了GAN网络中的编码器进行提取特征，不需要额外的姿态信息和计算力；对于对光照变化，场景变化和姿态变化相同行人的不同姿态识别率较高；不同行人衣着相似等有较强的区分力；生成图更清晰，包含更多的细节信息。

技术领域

本发明属于行人重新识别技术领域，具体涉及基于分块非直接耦合GAN网络的行人重识别方法。

背景技术

行人重新识别(Re-ID)是安全和智能监视系统中的重要应用程序，当无法使用人脸识别时，它是一种有效的替代技术。Re-ID旨在根据人的身体形状，外观和姿势的特征在不同的摄像机下搜索同一行人。最初，行人Re-ID方法主要基于传统算法，包括手动提取视觉特征和相似性度量。与传统方法不同，深度学习方法可以自动提取更好的特征并学习更好的相似性指标。随着深度学习的发展，行人识别技术也取得了很大的进步。但是，真实场景中的行人经常被移动的目标或静止的物体遮挡。并且行人到摄像机的距离也不固定，这将导致低分辨率的物体和比例尺度变化很大。此外，同一人在不同的相机下可能会有很大的形变和姿态变化。不同的行人的着装，姿势，身体形状和外观可能非常相似。因此，近年来行人重新识别仍然是一个热门问题。

基于块的表示学习方法已被证明对于行人重新识别(Re-ID)是非常有效的方法，且收敛速度快，但是现有基于块的方法提取的特征往往在不同块之间具有高度相关性。且基于表示学习的Re-ID方法对姿势变化较大的行人效果较差。为了减少姿势差异和身体遮挡的影响，生成对抗网络(GAN)被应用在Re-ID领域，其主要在训练过程中，在根据输入图像的特征生成另一个姿势时，要求提取的特征存在于不同的姿势图像中，从而提取的特征能更好的识别不同姿态下的相同行人，但是目前基于GAN网络的Re-ID方法提取的特征存在少儿冗余的问题，所以生成图包含的细节信息较少且模糊。

发明内容

发明目的：针对现有技术存在的不足，本发明的目的是提供一种基于分块非直接耦合GAN网络方法，首先输入图像到分块非直接耦合表征学习网络中进行训练，可以得到更多更互补的特征信息，从而能区分不同行人。然后分块非直接耦合表征学习网络作为GAN网络的编码器，即分块非直接耦合GAN网络，训练GAN网络，通过判别器，解码器等的反向传播来获得能识别不同姿态下的相同行人特征。从而得到更鲁棒的特征，进行行人重识别。

技术方案：为了实现上述发明目的，本发明采用的技术方案如下：基于分块非直接耦合GAN网络的行人重识别方法，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Did和姿态判别器Dpd；

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。