[发明专利]一种基于全局-局部特征动态对齐的行人重识别方法

说明书

本发明公开了一种基于全局‑局部特征动态对齐的行人重识别方法，对挑选行人重识别数据集中的训练集进行预处理，再使用预训练的模型ResNet50进行模型的初始化；然后，分别对粗粒度的全局特征计算全局距离，细粒度的局部特征计算局部对齐距离，并且使用困难样本挖掘三元组损失、中心损失和Softmax交叉熵损失联合作为行人重识别网络的监督器，约束模型的训练。最后，融合全局特征和局部特征获得最终特征，将查询行人图像作为行人重识别网络模型的输入，从候选库中进行检索出对齐距离最短的行人。本发明能够有效抑制空间未对齐和非对齐区域的噪声干扰，并且无需引入额外的辅助姿态信息，并且局部分支以指导距离度量的计算，可以进一步提高测试阶段的准确性。

技术领域

本发明涉及计算机，行人重识别和智能监控领域，具体涉及一种基于全局-局部特征动态对齐的行人重识别方法。

背景技术

行人重识别(Re-ID)是计算机视觉领域中一项具有挑战性的任务，旨在确定不同摄像头拍摄的行人或同一摄像头不同视频片段的行人图像是否为同一个行人，已经被广泛应用于智能监控领域。然而，由于现实场景的复杂性，行人Re-ID依然面临诸多挑战，例如：行人检测边界框错误、姿态变化和遮挡等。这些挑战使人们从大型测试集中识别出特定的行人成为一项艰巨的任务。

为了解决这些挑战，先前的大多数工作都集中在使用卷积神经网络(CNN)学习行人的全局特征，其思路主要可以归纳为表征学习和距离度量学习。传统表征学习的方法旨在学习行人的刚性不变特征，大多数距离度量学习旨在减少相同行人特征之间的距离。但这些方法都是从整个行人图像中学习特征，仅仅包含行人粗粒度的全局信息而忽略了行人局部的关键细节。

为了更好地提取局部特征，一些方法使用水平条纹或网格提取行人身体部位的局部特征，但这类方法需要事先调整行人对齐才能获得良好性能。也有一些研究者引入注意力机制以作为判别性特征的补充，但这类方法常常会引入额外的背景注意力，从而影响行人最终的特征表示。还有一些工作通过人体姿势估计模型来获取人体姿势点，用这些姿势点匹配不同的人体部位或对齐视点，但训练人体姿态估计模型需要大量标记数据，并且获取人体姿态点需要消耗额外的计算资源。另外，一些研究者将全局特征和局部特征相结合，来增强最终的行人区别性特征表示。总的来说，这些方法要么需要引入行人的姿态来辅助行人局部特征的对齐，但需要增加额外的计算资源；要么采用局部硬对齐的方法来匹配行人的局部特征，但遇到行人姿态变化、行人检测边界框错误和部分遮挡等较大的场景差异时，硬对齐的方法很难获得高的行人Re-ID准确率。

发明内容

为了解决上述背景技术提高的不足，本发明提出了一种基于全局-局部特征动态对齐的行人重识别方法。

为了实现上述技术目的，本发明的技术方案为：

一种基于全局-局部特征动态对齐的行人重识别方法，包括以下步骤：

步骤1)挑选行人重识别数据集，对数据集中的训练集进行预处理；

步骤2)使用预训练的模型ResNet50进行模型的初始化；

步骤3)选取残差网络作为基础骨架，构建全局粗粒度特征学习分支、局部细粒度特征学习分支；

步骤4)采用全局粗粒度特征学习分支学习行人粗粒度的全局特征，采用欧式距离计算全局分支的全局距离；

步骤5)采用局部细粒度特征学习分支学习行人细粒度的局部特征，采用局部滑动对齐计算局部分支的局部对齐距离；

步骤6)采用困难样本挖掘三元组损失、中心损失和Softmax交叉熵损失联合作为行人重识别网络的监督器，训练行人重识别模型；