[发明专利]一种基于多层融合与对齐划分的行人重识别方法

说明书

本发明公开了一种基于多层融合与对齐划分的行人重识别方法，包括以下步骤，构建行人重识别网络模型并训练；利用所述网络模型中多层融合模块将不同层次的特征图与最后一层的特征图进行融合，得到最终包含浅层特征信息的多层融合特征；利用所述网络模型中对齐划分模块提取行人的中心位置，然后将所述中心位置向两边扩展，得到行人精确分割局部区域的局部特征；将所述多层融合特征、所述局部特征和全局特征按照通道维度连接，得到最终的行人判别特征完成行人重识别。本发明的有益效果：提出的融合模块可以融合不同层次的特征图所携带的信息，在此基础上提取出多层融合特征加入到最终的判别特征中进行辅助识别，从而有效地提升了重识别的性能。

技术领域

本发明涉及行人重识别的技术领域，尤其涉及一种基于多层融合与对齐划分的行人重识别方法。

背景技术

近年来，深度学习方法广泛应用于行人重识别任务，主流的方法就是通过深度网络提取含有高级语义信息的特征，以此来进行识别。然而单纯的利用深度特征所含有的高级语义信息(对象或部件)往往会忽略浅层网络特征所携带的信息(颜色、纹理等)，这对于识别是不利的，比如对于一些衣着较为鲜艳，穿着突出的行人，即使在图像分辨率很低的情况下也可以辨认，浅层信息对于识别这种图像是很有效果的。而对于那些特征不太明显的图像，使用深度网络提取高级语义(身体的某些突出形象)是很有必要的。目前的基于深度学习的方法大多都只是采用深层的特征，而忽略了浅层特征的实用价值。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：提出一种基于多层融合与对齐划分的行人重识别方法，使深层特征可以携带浅层信息以及使划分的局部特征很好的对齐。

为解决上述技术问题，本发明提供如下技术方案：一种基于多层融合与对齐划分的行人重识别方法，包括以下步骤，构建行人重识别网络模型并训练；利用所述网络模型中多层融合模块将不同层次的特征图与最后一层的特征图进行融合，得到最终包含浅层特征信息的多层融合特征；利用所述网络模型中对齐划分模块提取行人的中心位置，然后将所述中心位置向两边扩展，得到行人精确分割局部区域的局部特征；将所述多层融合特征、所述局部特征和全局特征按照通道维度连接，得到最终的行人判别特征完成行人重识别。

作为本发明所述的基于多层融合与对齐划分的行人重识别方法的一种优选方案，其中：所述多层融合模块包括，采用改进的Non-local模块；所述 Non-local模块给定特征图F∈R^C×H×W，其中C是特征图的通道数、H×W表示特征图的大小；将F分为双路通过卷积后计算得到空间特征相关矩阵X∈R^N×N，其中N＝H×W，使用EmbeddedGaussian函数来计算X：

其中x_i与x_j分别表示空间位置i与j处的特征值、x_ij表示空间位置i与j 之间的相关性；将所得的相关矩阵X与F相乘,得到的特征图F′为