[发明专利]一种高性能行人检索与重识别方法及装置

权利要求书

1.一种高性能行人检索与重识别方法，其特征在于，包括以下步骤：

S1，分别获取现实监控场景下的单视角行人数据和多视角行人数据，其中，采用单视角行人数据和COCO数据集中的行人部分数据共同构建行人检测数据集，多视角行人数据构建行人重识别数据集；

S2，利用S1中的行人检测数据集，基于Ghost轻量化模型改进的YOLOv5行人检测算法训练行人检测模型；

S3，利用S1中的行人重识别数据集训练通道级稀疏化剪枝后的行人重识别网络，得到行人重识别模型；

S4，利用S2中训练好的行人检测模型和S3中的行人重识别模型基于算丰SC5和云端AI计算加速卡进行量化部署，搭建行人搜索系统。

2.根据权利要求1所述的高性能行人检索与重识别方法，其特征在于，步骤S2中的行人检测模型包括四种模块，分别为输入端模块、主干网络模块、颈部网络模块和输出端模块，输入为行人检测数据集中一张图片；

图片首先通过输入端模块输入主干网络模块，提取行人特征图像，将行人特征图像送入颈部网络模块，颈部网络模块会增强行人检测模型对于不同缩放尺度行人特征图像的检测，将增强后的行人特征图像送入输出端，输出端对行人特征图像进行预测，生成边界框和预测行人特征图像中的类别。

3.根据权利要求2所述的高性能行人检索与重识别方法，其特征在于，所述主干网络模块包括三种模块，分别为Focus子模块，CBL子模块，GhostCSP子模块；

所述Focus子模块对输入图片进行切片操作，隔像素进行下采样操作，所述CBL子模块对输入图像进行卷积操作，所述GhostCSP子模块是使用Ghost网络进行替换而生成的，其中步长为1的Ghost网络替换CSP结构中的残差组件，步长为2的Ghost网络替换CSP结构中的卷积层，起到下采样的作用。

4.根据权利要求3所述的高性能行人检索与重识别方法，其特征在于，所述颈部网络模块对所述主干网络模块提取的行人特征图像进行多次特征提取，生成8，16，32尺度的行人特征图像，基于8，16，32尺度的行人特征图像进行损失计算，得到损失值，行人检测模型根据损失值训练更新，得到训练好的增强行人检测模型。

5.根据权利要求1所述的高性能行人检索与重识别方法，其特征在于，所述步骤S3中的行人重识别网络包括ResNet50网络和BNNeck模块，输入为行人重识别数据集中一张图片；

对输入图片，采用随机裁剪为不同的大小和宽高比，缩放为同一大小，并采用随机擦除，使用一个布满随机值的矩形框对图片进行遮挡，以此来得到增强图像；

将增强图像输入到ResNet50网络中，ResNet50网络以ImageNet数据集进行模型预训练，提取行人图像特征，对提取特征进行全局池化，得到行人全局特征F_global；

所述BNNeck模块将行人重识别损失分离到两个不同的特征空间中优化，完成一次学习。

6.根据权利要求5所述的高性能行人检索与重识别方法，其特征在于，所述步骤S3中的行人重识别网络的损失函数Loss为：

其中：n为样本数量，x_i是输入图像，y_i是其类别标签，p(y_i|x_i)表示经过softmax分类，x_i被识别为y_i的预测概率；d_p是同类图像和输入图像的距离，d_n是不同类图像和输入图像的距离，α和β是平衡损失的超参数，max(·)为取最大距离；表示全连接层之前的特征，表示第yi个类别的特征中心，为L2范数。

7.根据权利要求5所述的高性能行人检索与重识别方法，其特征在于，所述ResNet50网络采用通道级稀疏化剪枝方法进行处理，对每个通道引入缩放因子α，先通过正常的网络训练学习连通性，训练过程中稀疏化正则化这些比例因子，自动识别通道的重要性，最终对训练得到的缩放因子较低的通道进行修剪。