[发明专利]基于属性感知的高效行人重识别方法

权利要求书

1.一种基于属性感知的高效行人重识别方法，其特征在于：基于主干网络构建了一个多分支网络模型，包括属性学习分支以及全局识别分支和部分识别分支，其中，

所述属性学习分支，用于属性感知任务学习和执行属性识别任务；

所述属性学习分支具体包括，

属性学习分支由属性特征提取器和自适应加权属性注意模块组成，感知学习行人属性语义信息并执行属性识别任务；属性特征提取器提取属性特征，它是由三层卷积构成的瓶颈层，第一层和第三层是一个步长为1的1×1卷积层，第二层是一个步长为1的3×3卷积层；自适应加权属性注意模块由两组功能不同的卷积核为1×1卷积和Sigmoid层组成，第一组的功能是通过卷积和Sigmoid操作学习自适应加权矩阵，第二组的功能是通过公式(1)来聚集特征进而获得pooling特征；具体的：对于由属性特征提取器提取到的特征F∈R^C×H×W，其中C，H和W分别表示特征图的通道，高度和宽度，首先使用卷积核为1×1，步长为1且输出通道为4的卷积层将其转换到潜在空间，转换后的特征维数为R^4×H×W；然后，通过Sigmoid层对其进行归一化，并将其分解为四个自适应加权属性注意掩模矩阵{M_i∈R^1×H×W}，i＝1，2，3，4，四个自适应加权属性注意掩膜矩阵分别对应性别，头部，上半身和下半身，它专注于不同的属性局部区域，通过它们获得清晰的属性语义，因此，将特征图F分别乘以四个自适应加权属性注意掩模矩阵，以获得四个属性注意表示{E_i∈R^C×H×W}，i＝1，2，3，4；然后，通过自适应加权特征统计取代平均池统计来重新分配通道特征响应，首先，对属性注意表示E_i使用卷积运算获得矩阵{W_i∈R^C×H×W}，i＝1，2，3，4，然后使用Sigmoid层对其进行归一化，通过公式(1)获得池化的属性特征：

通过自适应加权属性注意掩膜模块获得精细化属性特征A_i；接着，输入属性特征A_i到线性层减小特征维度以获得最终属性特征，最后，将降维后得到最终属性特征送到相应的属性分类器以进行属性分类；

所述全局识别分支，用于执行全局图像级身份分类任务；

所述部分识别分支，用于消除空间未对齐和背景杂乱影响，执行部分级身份分类任务；

首先加载一个在ImageNet上预先训练的主干网络模型参数权重，接着对行人重识别数据集中训练图像进行图像预处理，然后用于训练多分支网络模型；对于查询的图像和图库图像，首先做图像预处理转化为用于计算的张量数据，然后输入到训练过的多分支网络模型中提取有效的特征表示，最后计算查询的图像和图库图像之间的特征距离，按照距离对图库图像进行排序，排序越靠前表示相似率越高。

2.根据权利要求1所述的基于属性感知的高效行人重识别方法，其特征在于：所述主干网络为ResNet或SENet。

3.根据权利要求1所述的基于属性感知的高效行人重识别方法，其特征在于：所述全局识别分支具体包括，

首先，将主干网络ResNet或SENet的最后一个下采样层的步长设置为1，以获得更高的空间分辨率，使用全局平均池(GAP)使网络可以适应不同分辨率的输入图像；为了增强特征判别性，将行人属性信息迁移到全局身份分支进行信息融合和学习，具体地，使用一个全连接层将属性学习分支学习的属性特征向量A_i聚合成一个向量，该向量与从主干提取的全局特征沿着通道串联获得融合过属性信息的特征，然后，添加一个批量归一化层(BN)对融合过属性信息的特征进行归一化并平滑神经网络的损失函数空间并加速模型训练；在BN层之后添加了一个特征嵌入层，其中包含512-dim的全连接层、BN层，ReLU和Dropout，全局识别分支的末尾是身份分类器，其是一个输出维度为K全连接层，其中K是训练集中的身份类数。