[发明专利]基于联合局部特征判别性学习的无监督目标行人重识别方法

说明书

本发明公开了一种基于联合局部特征判别性学习的无监督目标行人重识别方法，该方法由并行的空间变换器和多个简单的卷积神经网络构成的联合局部特征提取网络（Joint Local Feature Extraction Network,JLFEN）对同一行人水平动态划分出两组数量尺度不同的局部区域并提取有效的特征，使局部特征在空间中有效对齐；采用由局部特征判别（Local Feature Discrimination,LFD）损失函数和级联特征判别（Cascade Feature Discrimination,CFD）损失函数组成的特征联合判别（Feature Joint Discrimination,FJD）损失函数提高模型对无监督局部特征进行判别性学习，降低外形相似的不同行人对局部特征学习的影响。

技术领域

本发明涉及一种基于联合局部特征判别性学习的无监督目标行人重识别方法，属于计算 机视觉领域。

背景技术

在基于深度学习的行人重识别研究中，局部特征的好坏对行人重识别模型学习无标签数 据特征也有一定的影响。为了学习更有效的局部特征，提出一种基于联合局部特征判别性学 习的无监督目标行人重识别方法。通过联合局部特征提取网络对行人特征进行水平动态划分 并提取对应区域特征得到两种局部特征组，减少行人姿态变化和摄像头角度对局部特征对齐 的影响。采用局部特征判别损失函数指导局部特征进行判别性学习，用以提高无监督行人重 识别模型对局部特征的学习能力。为了减少不同行人相似外形的局部特征对模型学习的影响， 用级联特征判别损失函数计算特征之间的相对距离和绝对距离，拉近相似特征，推远不同特 征，进一步增强无监督行人重识别模型的识别性能。

发明内容

为了解决背景技术中存在的一些问题，本发明提供了一种基于联合局部特征判别性学习 的无监督目标行人重识别方法。

1.一种基于联合局部特征判别性学习的无监督目标行人重识别方法，其特征在于：联合局 部特征提取网络；

为了使网络根据图像中行人姿态角度变化提取出不同区域的局部特征，减少局部特征不 能很好对齐问题，在ResNet50网络后加入了两个并行的空间变换器进行局部区域的划分并 使用简单的卷积神经网络进行特征提取将图像的中间特征映射送入多个定位网络中，对特征 映射进行空间变换与原图像相比，减少了网络计算复杂度；定位网络由核大小为3×3卷积 层和两个全连接层组成，使用ReLU作为该网络激活函数，最后一个全连接层初始化偏置， 为了得到两种划分方式的局部采样网格，利用定位网络分别预测出两组空间位置参数 θ＝{θ₁，θ₂，...，θ_M}和η＝{η₁，η₂，...，η_N}；

为了使预测的空间位置能够获取有效的细粒度特征并在空间中对齐，这里根据人体垂直 方向的各部位对两个空间变换器中的位置参数进行预测；人体可以分为头部、上身和下身三 部分，通常人体为上身短下身长，其头部占比最小，其次是上身，然后是下身，但是在摄像 头下，由于摄像头角度的变化和行人姿态的变化，得到的图像中行人比例就会发生变化，比 如出现上身长下身短的问题，同一行人划分出来的局部区域可能会出现无法对齐的情况；

定位网络首先预测三组空间位置参数对行人进行水平方向不等比例的划分得到纵向宽 比接近为1:2:3的三块局部区域，从上往下得到的局部特征，使头部所占比例最小，中间接 近正常视角上身的大小，最后包含行人臀部以下的特征信息，网络可以根据图像中行人的变 化具体情况对图像空间中行人划分出不同的局部区域，可以很好地应对行人比例、姿态等变 化造成的局部特征不能对齐问题；