[发明专利]一种基于深度学习的多级特征提取网络行人再识别方法

权利要求书

1.一种基于深度学习的多级特征提取网络行人再识别方法，其步骤包括：

1)对行人再识别网络进行每一轮训练时，每次从行人再识别数据集中提取一批数据并采用数据增强措施对其进行扩充；

2)利用扩充后的数据训练行人再识别网络；其中将当前批次扩充后的数据依次通过Block1、Block2对其进行特征提取后得到特征向量F＝{x₁，...，x_b}，然后将特征向量F分别输入行人再识别网络的分支一和分支二；x_b代表第b张图像的特征数据；Block1、Block2为SEResNet-50中的特征提取模块，SFGM为次级特征生成模块，GeM为广义均值池化，BN为批量归一化；

3)所述分支一从特征向量F中提取每一图像对应的全局特征；所述分支二从特征向量F中提取每一图像对应的次级特征；

4)将所述全局特征以及每一所述次级特征分别依次通过BN操作、全连接层、CircleLoss、标签平滑、Softmax Loss处理后得到一对应的损失值；将所述全局特征通过辅助损失函数Center Loss计算得到一损失值、将所述全局特征通过损失函数Triplet loss withadaptive weights计算得到一损失值；

5)根据步骤4)所得各损失值计算一总损失值，根据该总损失值调整优化所述行人再识别网络的网络参数，得到完成一批次训练后的行人再识别网络；

6)重复1)～5)的步骤，直到完成设定轮次的训练，得到训练完成后的行人再识别网络；

7)对于每一待识别图像，利用训练完成后的行人再识别网络提取该待识别图像的全局特征、次级特征并对其进行BN处理后进行特征融合，得到待识别图像特征；计算各待识别图像特征与目标图像特征的相似度，再进行相似度排序，获得与目标图像相似图片列表。

2.如权利要求1所述的方法，其特征在于，所述分支二提取次级特征的方法为：特征向量首先经过SFGM生成待提取次一级特征向量，随后将该待提取次一级特征向量经过Block3-1提取后输入两个分支，即第二级分支一、第二级分支二，第二级分支一将输入特征依次通过Block4-1、GeM获得次一级特征；第二级分支二通过SFGM从输入特征中获得待提取次二级特征向量；待提取次二级特征向量通过Block4-2后再次分为两个分支，即第三级分支一、第三级分支二，第三级分支一通过GeM从待提取次二级特征向量中获得次二级特征；第三级分支二将待提取次二级特征向量依次通过SFGM、GeM获得次三级特征；其中Block3-1、Block4-1、Block4-2为SEResNet-50中的特征提取模块。

3.如权利要求1或2所述的方法，其特征在于，次级特征生成模块SFGM的数据处理方法为：设输入特征向量为OF，首先对输入特征向量OF分别在通道维度上进行最大值池化与均值池化，随后将池化后的两个特征向量在通道维度进行拼接，获得特征向量F1；再对特征向量F1进行卷积操作，获得特征向量F2；再对特征向量F2进行批量归一化即BN操作；最后利用Sigmoid激活函数获得区间为[0，1]的空间权值矩阵M；然后生成所述空间权值矩阵M中权值大于P的掩模Mask，通过掩模Mask将所述空间权值矩阵M中权值大于P的值置为W，其它置为～W，获得空间权值矩阵M1；将所述空间权值矩阵M1拓展为与特征向量OF相同通道维度空间权值矩阵M2；然后将所述空间权值矩阵M2与特征向量OF点乘后与特征向量OF相加获得特征向量F3；特征向量F3通过ReLU函数进行激活后输出。

4.如权利要求1所述的方法，其特征在于，采用数据增强措施对每一图像分别进行如下处理：

11)将图像高宽比例调整为2∶1，生成一新图像；

12)对图像进行随机水平翻转，生成一新图像；

13)对图像进行随机裁剪，生成一新图像；

14)对图像进行归一化，生成一新图像；

15)对图像进行随机擦除，生成一新图像。