[发明专利]基于多尺度局部注意力增强网络的足迹图像检索方法

权利要求书

1.一种基于多尺度局部注意力增强网络的足迹图像检索方法，其特征在于，包括以下步骤：

11)训练样本的获取和预处理：获取足迹图像数据集，并对其每个足迹图像进行滤波去噪并选取合理的阈值进行二值化处理，得到处理后的足迹图像数据集；

12)构建足迹图像检索模型：基于多尺度局部注意力机制网络构建足迹图像检索模型；

所述的构建足迹图像检索模型包括以下步骤：

121)设定足迹图像检索模型由初始特征提取模块、多尺度残差网络模块、局部特征注意力增强模块以及特征输出模块组成；

122)初始特征提取模块包括一个卷积层、一个批归一化层、一个激活函数层和一个最大池化层，输入一个批次的数据X大小为(n,3,224,224)，其中n表示一个批次输入图像的个数，3表示输入图像包含的红绿蓝RGB三个通道，224、224表示输入图像的长、宽；

123)设定多尺度残差网络模块，其通过密集残差连接三个多尺度结构，包括多尺度特征提取结构和残差连接结构，输入为初始特征提取模块提取的初始特征Z′，输出特征为P；

124)设定局部特征注意力增强模块包含两个部分：一个是批去除局部空间信息结构，另一个是批去除局部通道信息结构；

特征输出模块输出特征P_l的获取包括以下步骤：

1261)局部注意力增强模块中的卷积层与全连接层均使用高斯随机初始化方法进行初始化权值；由多尺度残差结构模块的输出O₄经过卷积层和激活函数层得到的局部注意力增强模块的输入P分别进入批去除局部空间信息结构和批去除局部通道信息结构训练；

1262)批去除局部空间信息结构是对输入的一批数据的特征图去除一个随机区域的信息，并且对于这一批每一个图像的特征图去除相同位置的区域，设置参数指定该区域长宽的最大值，设置为原特征图长宽的0.3；批去除局部空间信息结构的输入P通过三个卷积层、一个批去除操作和最大池化层得到的输出为P′_s用于计算三元组损失tri_loss1，P′_s经过批归一化层和全连接层的输出P″_s用于计算交叉熵损失ce_loss1；

1263)批去除局部通道信息结构是对输入的一批数据的特征图随机去除一部分通道的信息，并且对于这一批每一个图像的特征图去除相同位置的通道，设置参数指定去除通道信息的最大值，设置为原特征图通道数0.3；

批去除局部通道信息结构输入P通过三个卷积层、一个批去除操作和平均池化层得到的输出为P′_c用于计算三元组损失tri_loss2，P′_c经过批归一化层和全连接层的输出P″_c用于计算交叉熵损失ce_loss2；

125)设定特征输出模块：特征输出模块用于将提取出图像的表征特征并负责主要的监督学习任务，该模块包括一个平均池化层、一个批归一化层和一个全连接层，输入特征P经过平均池化层得到的输出P_l作为图像的最终特征表达；

13)训练足迹图像检索模型：利用处理后的足迹图像数据集训练足迹图像检索模型；

14)待检索足迹图像的获取：获取待检索足迹图像，并进行预处理；

15)足迹图像检索结果的获得：将待检索足迹图像输入训练后的足迹图像检索模型，获得足迹图像检索结果。