[发明专利]基于Siamese网络结构融合中层特征的行人重识别方法

说明书

本发明公开了一种基于Siamese网络融合中层特征的行人重识别方法，包括以下步骤：(1)预训练DenseNet121网络；(2)调整DenseNet121网络结构，搭建Siamese网络；(3)预处理训练集，利用随机擦除增强数据；(4)用预处理的训练集训练Siamese网络；(5)使用训练好的Siamese网络模型，得到待查询与图像库图像特征；(6)用余弦距离计算待查询与图像库行人图像的相似度，将图像库行人图像按照相似度大小排列。本发明利用调整后的DenseNet121搭建Siamese网络，提高了行人图像特征的区分程度和辨识度，同时利用随机擦除增加行人被遮挡的情形，提高行人重识别模型的泛化能力，适合复杂场景下跨摄像头的行人重识别。

技术领域

本发明涉及行人重识别方法，尤其涉及一种基于Siamese网络结构融合中层特征的行人重识别方法。

背景技术

行人重识别是指在跨摄像头的环境中，判断是否存在给定行人图像。该技术在智能视频监控、维护社会治安等方面发挥着重要的作用。然而行人重识别存在着较大的挑战：当姿势以及光照、背景等环境因素变化时，同一行人的外观在不同的监控视频下存在明显的差异，而不同行人的外观在某种情况下会比较相似。

近年来，深度学习的方法被广泛应用，相比于传统手工设计方法，深度学习能够取得更好的性能。在跨摄像头下检索给定的行人图像，深度行人重识别模型通常选用ResNet50作为基础网络在有限的数据集上进行优化，产生巨大的参数量，增加了过拟合的风险，降低泛化能力。同时针对跨摄像头行人出现的模态差异，一些基于GAN网络和利用注意力机制的方法被用来关注模态之间突出的特征，但这些方法模型复杂，训练不稳定。

发明内容

发明目的：本发明的目的是提供一种抗过拟合性能好、鲁棒性高的基于Siamese网络结构融合中层特征的行人重识别方法。

技术方案：本发明所述的行人重识别方法，包括以下步骤：

(1)预训练DenseNet121网络；

(2)调整DenseNet121网络结构，搭建Siamese网络；

(3)预处理训练集，利用随机擦除增强数据；

(4)用预处理的训练集训练Siamese网络；

(5)使用训练好的Siamese网络模型，得到待查询与图像库图像特征；

(6)用余弦距离计算查询与图像库图像的相似度，将图像库图像按相似度大小排列。

步骤(1)中，将ImageNet数据集作为训练数据集，训练一个DenseNet121网络，使DenseNet121网络具有初始值。

步骤(2)中，在DenseNet121中间层与最后一层后添加SElayer，得到的中级特征和高级特征，将它们相融合，在调整后的DenseNet121后添加两个全连接层，构建ID分类网络，将两个ID分类网络做并行连接，并行网络间加入一个对比层和一个全连接层构建验证网络，搭建一个完善的Siamese网络。

步骤(3)中，采用随机擦除的数据增广方法对图像进行随机的遮拦，以增强模型学习能力。

步骤(4)中，采用ID损失和验证损失联合的损失L优化Siamese网络。

步骤(5)中，得到待查询图像特征feature₁与图像库图像特征feature₂。

步骤(6)中，余弦距离d计算公式为：

式中，feature₁为待查询图像特征，feature₂为图像库图像特征。