[发明专利]一种基于单尺度特征表达的遮挡行人重识别方法

说明书

本发明提供一种基于单尺度特征表达的遮挡行人重识别方法，属于模式识别与计算机视觉领域。将空间记忆模块嵌入到特征提取网络中，获得更具区分性的行人特征图，对批量归一化之前的行人特征向量计算改进的三元组损失，对归一化之后的行人特征向量计算分类损失，完成训练，计算查询行人特征和图库中行人特征的欧氏距离，按照距离的大小进行递增排序，得到查询行人的近邻列表，完成行人重识别。优点在于使用单尺度行人特征解决行人重识别的遮挡问题，不仅减少了训练时间与模型复杂度，也减少了推理时间，可以更好地应用于重识别系统，空间记忆模块只需要占用少量的内存，就可以使得模型的精度得到提升。

技术领域

本发明属于模式识别与计算机视觉领域，具体涉及一种基于单尺度特征的遮挡行人重识别方法。

背景技术

行人重新识别是一项计算机视觉任务，旨在检索由不同摄像机拍摄得到的相同行人。由于行人重识别任务在公共安全领域的重要作用，以及较高的理论和应用价值，该技术被广泛应用于如活动分析、安全、视频监控和智能城市等平台。当前大多数行人重识别方法被设计用来解决整体行人重识别任务，并在Market-1501和DukeMTMC-reID等全身数据集上取得了较高的准确率。然而在实际场景中很难获得理想的全身人物图像，行人部分很容易被其他物体或者其它行人遮挡，造成部分行人信息的缺失。现有的常规行人重识别方法很难在有遮挡的行人重识别数据集上取得良好的结果。

当前处理遮挡行人重识别问题大多采用额外的关键点检测模型，姿态估计模型，或者图匹配模型来匹配行人部分特征，然后对特征提取网络得到特征图进行加权，获取更具区分性的行人特征。这种方法极大地缓解了遮挡信息带来的干扰，但是使用额外的模型无疑会增大计算量和内存，这不能满足实时的视频监控要求。并且这种方法在面对一张图片里面有多个行人的情况，关键点模型或者姿态估计模型很难关注到目标行人，并出现识别错误的问题。

另一种方法是采用多尺度多粒度特征融合的方式解决遮挡问题。多尺度具体来说是从特征提取网络从中获取不同层级的特征信息，分别进行训练，或者对不同尺度的特征放缩为相同尺度的特征，进行相加或者拼接的形式一起训练。多粒度是对特征提取网络输出的特征图进行分块，然后对每一块单独训练。这种训练方式可以有效利用行人的细节特征，但是行人图像中如果存在大量不对齐的情况下，使用行人分块特征进行特征匹配，会出现不匹配的情况，从而造成精度下降的问题，而且同时训练多个特征会极大地增加训练时间。

发明内容

本发明提供一种基于单尺度特征的遮挡行人重识别方法，目的是提供一个简单易于训练且高效的行人重识别方法。

本发明采取的技术方案是，包括下列步骤：

步骤A：首先对训练行人图片进行预处理，进行数据增强，将图片像素大小调整为256×128，并对图片随机采取随机裁剪、水平翻转和随机擦除，概率均为50％，并输入数据增强后的行人图像到特征提取网络中，获得中间特征图；

步骤B：将空间记忆模块嵌入到特征提取网络中，中间特征图经过空间记忆模块，获得更具区分性的行人特征图；

步骤C：对行人特征图进行全局自适应池化GAP操作得到单尺度行人特征向量，并利用批量归一化模块对单尺度行人特征向量进行归一化，对批量归一化之前的行人特征向量计算改进的三元组损失，对归一化之后的行人特征向量计算分类损失。根据两个损失函数计算网络参数的梯度，而后更新特征提取网络的参数和空间记忆模块的参数，完成训练；

步骤D：输入测试的查询行人图片和测试的图库中的行人图片到训练完成的网络中，得到所有测试行人图片的特征，计算查询行人特征和图库中行人特征的欧氏距离，按照距离的大小进行递增排序，得到查询行人的近邻列表，完成行人重识别。

本发明所述步骤A具体包括以下步骤：