[发明专利]一种联合多损失动态训练策略增强局部特征学习的行人重识别方法

说明书

本发明公开了一种联合多损失动态训练策略增强局部特征学习的行人重识别方法，行人的局部特征不断被证明是一种在行人重识别任务中表现良好的特征，在一定程度上提高重识别的准确度，在提取到全局特征图之后，沿垂直方向将特征图均匀分成六块，但均匀分块的方式过于简单，导致局部特征的不对齐问题。在行人识别中，行人携带的物品也是一类有帮助的特征，但现有技术并没有考虑到这点，主要关注点还是在行人人体特征上，为了学习到行人携带物的特征，采用了自注意力机制来使网络关注这一部分特征，最后与全局特征相结合增强特征表示；为了无缝联合交叉熵损失函数和三元组损失函数，我们使用动态训练这两个损失函数的方案来优化深度学习模型参数。

技术领域

本发明涉及特征学习技术领域，具体为一种联合多损失动态训练策略增强局部特征学习的行人重识别方法。

背景技术

行人重识别任务简单地来说就是图像检索，具体是指在不同摄像头下检索到同一个行人。近年来监控摄像设备的大面积普及和人们对安全一如既往的高需求也让行人重识别具有了非常重要的现实意义。

行人重识别是一项非常具有挑战性和高要求的任务，因为一个人的外观可以在不同视角和摄像机之间发生巨大变化，照明、视点、遮挡和身体配置每次都可能发生变化。行人重识别早期的研究主要聚焦在提取行人的全局特征上，也就是得到整张图片的一个特征向量去做图片检索。但随着采集的行人重识别数据集越来越复杂，也越来越接近实际情况，仅仅使用全局特征容易忽略行人图片中的细节信息，并不能满足任务需求，因此越来越多的学者去关注局部特征的提取，就是让网络去关注关键的局部区域并提取这些区域的局部特征。目前利用局部特征做行人重识别的方法主要有以下几类：

第一类是利用外部线索定位局部特征，比如使用经过预训练的姿态估计模型定位人体关节点得到人体各个部件(头、上身、下身等)并引导网络学习这些部件的局部特征。但这种方法存在着一些缺陷，姿态估计的数据集和行人重识别数据集之间的差异会引入误差，模型训练时间成本和标注成本都较高。

第二类方法是不使用额外的线索学习局部特征，比较常用的有水平切块和采用注意力机制等。水平切块是指将图片或特征图从上到下分割成单元或条纹，但很大程度上依赖良好的对齐。注意力机制是指在最终的输出特征图上学习一个注意图，并据此学习到局部特征。

第三类是通过预定义的属性作为有用的特征来指导特征匹配过程。

第四类是通过语义解析来提取语义部分信息，语义分区可以在一定程度上缓解不对齐问题，但这种方法的成功对语义解析模型的准确性要求很高。

发明内容

本发明的目的在于提供一种联合多损失动态训练策略增强局部特征学习的行人重识别方法，该联合多损失动态训练策略增强局部特征学习的行人重识别方法具体步骤如下：

1)特征图均匀分块：行人的局部特征不断被证明是一种在行人重识别任务中表现良好的特征，在一定程度上提高重识别的准确度，在提取到全局特征图之后，沿垂直方向将特征图均匀分成六块，但均匀分块的方式过于简单，导致局部特征的不对齐问题，引入异常值，通过计算这些异常值与每个图像块之间的相似性对它们进行重新划分，解决不对齐问题，然后通过池化和降维来提取图像块的特征；

2)学习潜在特征：通过在全局特征图上应用自注意力机制来完成非人体部分的潜在特征学习，根据每个像素与所有其他像素间的语义相似性，自动捕获一些粗糙的潜在部分，也就是行人携带物这类非人体的部分；

3)多损失动态训练：采用两个损失函数，分别是三元组损失函数和交叉熵损失函数，将步骤1得到的六个局部特征分别输入到由全连接层和softmax函数构成的分类器中进行交叉熵损失训练，将步骤1和步骤2得到的所有局部特征和全局特征进行连接增强行人表示，然后进行三元组损失训练，两个损失函数直接结合在一定程度上会产生冲突，使用随机抽样和身份平衡难分样本抽样两种抽样策略动态训练这两种损失函数来使得损失最小化。