[发明专利]一种行人重识别模型的构建方法及行人重识别方法

说明书

本发明公开了一种行人重识别模型的构建方法及行人重识别方法，构建方法包括：步骤1，构建非全连接卷积，对于非全连接卷积，不同的位置将会被不同的卷积核进行卷积运算，计算得到非全连接卷积中卷积核的数目，即被卷积操作的位置数量为N；步骤2，将非全连接卷积和普通卷积通过加权方式结合，形成全局‑局部注意力模块；使用全局‑局部注意力模块替换OSNet中的所有普通卷积，保留OSNet的其余结构不变，形成基于非全连接卷积的行人重识别模型。通过构建非全连接卷积，平衡了在实际场景下的识别精度和运算速度，达到实时检测的要求。

技术领域

本发明涉及计算机视觉和行人重识别研究领域，具体涉及一种行人重识别模型的构建方法及行人重识别方法。

背景技术

行人重识别是利用计算机视觉技术判断图像或者视频中是否存在特定行人的技术，其核心方式为给定一个监控行人图像，检索跨设备下的该行人图像，作为跨摄像头跟踪的主要方式，一个高效并且实时的行人重识别系统能够为智慧城市的构建从安全性的角度提供切实的保障。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有的行人重识别网络存在着如下问题：参数量较少的模型只能识别较为模糊的图像，如256*128像素精度的图像，对于精度较高的图像，如1280*640的图片，识别性能不佳，原因在于模型参数量较少，无法拟合过于庞大的数据集；参数量较多的模型，虽然可以解决对于高清图像的识别问题，但是随着图像像素的上升，识别时间和训练时间会呈现指数级上升，虽然现在有减枝、知识蒸馏、量化等多种将模型压缩的手段，但是参数量过于庞大的模型大大降低识别的实时性。

发明内容

为了克服现有技术的不足，本公开实施例提供了一种行人重识别模型的构建方法及行人重识别方法，通过构建非全连接卷积，平衡了在实际场景下的识别精度和运算速度，达到实时检测的要求。技术方案如下：

第一方面，提供了一种行人重识别模型的构建方法，包括如下步骤：

步骤1，构建非全连接卷积，对于非全连接卷积，不同的位置将会被不同的卷积核进行卷积运算，所述不同的卷积核表示卷积核大小相同，参数不同，图像经过非全连接卷积后的尺寸和普通卷积相比不发生改变；

设定I代表输入的尺寸，p代表padding操作的大小，f代表卷积核的尺寸，s代表步长，那么根据公式可得到非全连接卷积中卷积核的数目N：

即被卷积操作的位置数量为N；

步骤2，将非全连接卷积和普通卷积通过加权方式结合，形成全局-局部注意力模块；使用全局-局部注意力模块替换OSNet中的所有普通卷积，保留OSNet的其余结构不变，形成基于非全连接卷积的行人重识别模型。

优选的，步骤1中构建非全连接卷积的方法，具体如下：

（1）将输入图片通过Unfold操作，该操作为根据输入的图像尺寸以及卷积核长宽，将输入图片重新整合成对应的大小M*N,M为输入图片的通道数乘Unfold操作的卷积核大小，代表每个将被卷积位置的特征数量，N为被卷积操作的位置数量；

（2）构建一个特定对角线为1的稀疏矩阵，假定上述的输入图片的通道为inC,卷积核的长宽记为W和H，卷积操作的位置数量记作N，初始化一个全零矩阵，其大小为(N,inC*W*H*N)，并将其特定对角线元素设置为1，具体为：记len等于inC*W*H，对于第i行来说，第i*len列到第(i+1)*len列将会被初始化为1；

（3）将第（1）步中获得的M*N大小的矩阵先进行转置操作，得到N*M的矩阵，从行这个维度对N*M的矩阵进行复制和连接的操作，复制和连接次数为非全连接卷积中卷积核的数目N，得到一个拼接矩阵N*（N*M）；

（4）将第（2）步构建的稀疏矩阵和第（3）步中的拼接矩阵做哈德曼积，得到特定对角线元素为相应位置特征的矩阵Z；