[发明专利]一种基于多尺度特征融合的行人重识别特征提取方法

权利要求书

1.一种基于多尺度特征融合的行人重识别特征提取方法，其特征在于实施步骤为：

(1)对数据集进行预处理，预处理包括：旋转、ToTensor、遮挡、对比度、翻转、锐化增强、噪声、滤波、倾斜、图像色彩空间转换、图片叠加与融合、颜色抖动、gamma变换、图片混合；

(2)构建多尺度特征融合网络；

(3)分Batch向网络输入图像，在多尺度特征融合网络中提取特征、融合特征图和降维，前向传播输出预测值；根据预测值和真实值计算Softmax和Triplet损失并反向传播更新模型参数，迭代训练直到满足结束训练的条件。

2.根据权利要求1所述的基于多尺度特征融合的行人重识别特征提取方法，其特征在于本方法对数据集和图像的预处理为：

(1)训练数据中图像的命名格式为行人ID_摄像头ID视频ID_视频帧数_检测框；

(2)数据集包括训练集、查询集和查询库；

(3)数据集进行resize，对图像进行处理包括：旋转、ToTensor、遮挡、对比度、翻转、锐化增强、噪声、滤波、倾斜、图像色彩空间转换、图片叠加与融合、颜色抖动、gamma变换、图片混合。

3.根据权利要求1所述的基于多尺度特征融合的行人重识别特征提取方法，其特征在于本方法在构建多尺度特征融合网络的设计为：

(1)以ResNet为backbone，在其基础上进行修改；

(2)将backbone的layer3层提取的特征作为共享特征，其后接两个分支，分别为Global分支和Part分支；

(3)Part分支将ResNet最后一层的stride由2降为1，使特征图的大小和layer3提取的特征图大小一致，该分支提取到的特征记为layer4.4(Part)；Global分支使用原ResNet的layer4层的操作,该分支提取到的特征记为layer4.4(Global)；Part分支和Global分支行人图像特征图大小分别为(8，4)和(16，8)，在两个分支的特征图上使用全局平均值池化；

(4)抽取layer3.1和layer4.1的特征图，其大小分别为(16，8)和(8，4)；

(5)通过分别将Part分支和Global分支与layer3.1和layer4.1的特征图进行融合，分别标记为layer3.1_p和layer4.1_g；

(6)将以上4个特征向量(layer4.4(Part)、layer4.4(Global)、layer3.1_p、layer4.1_g)降维成512的特征，进行特征融合，组成2048维的特征进行相似性度量。

4.根据权利要求1所属述的一种基于多尺度特征融合的行人重识别特征提取方法，其特征在于本方法在构建多尺度特征融合网络、对数据预处理后：

(1)分Batch向网络中输入训练图像，在多尺度特征融合网络中提取特征、融合特征图和降维，将特征进行前向传播输出预测值；

(2)根据输出的预测值与真实值计算Softmax和Triplet损失，反向传播更新模型参数，迭代训练直到满足结束训练的条件。