[发明专利]一种姿势引导对齐的轻量行人重识别方法

说明书

本发明公开了一种姿势引导对齐的轻量行人重识别方法，所述方法包括以下步骤：使用主干网络和显著区域提取聚焦行人图像关键区域进行特征增强并得到全局特征；使用姿势估计算法进行行人图像的关键点检测并获取关键点局部特征；通过特征聚合模块对关键点局部特征进行聚合和对齐，并使用全局特征进行特征弥补；通过交叉图匹配模块，对输入行人图像的特征进行匹配，得到图像相互匹配的区域，并将得到的特征计算相似度；构建损失函数，对网络参数进行迭代优化；进行相似性度量，输出匹配列表。本发明高效地提取了行人图像的鲁棒的特征，有效的解决了特征非对齐问题，在保持模型参数量的同时达到了优异的行人重识别性能。

技术领域

本发明涉及一种姿势引导对齐的轻量行人重识别方法，属于计算机视觉技术领域。

背景技术

随着智能监控网络的快速发展以及人们对公共安全需求的不断增加，行人重识别已成为计算机视觉领域的研究热点之一。我国视频监控系统规模庞大，视频监控系统每天不间断的运作会产生海量的数据，如果安排人力对视频数据进行监察和分析会造成低效率并且难以实现有效处理监控数据的情况，因此，如何在海量视频监控数据中检索出有效行人的信息是当前值得研究的问题。

行人重识别（ReID）是一种利用计算机视觉在不同摄像机下检索同一个行人图像的技术。随着科技的发展和对公共安全需求的增加，行人ReID被广泛用于社区寻人和犯罪调查等智能安全领域。传统的ReID提取底层视觉特征的方法不适用于复杂场景和各种干扰存在的情况。随着深度学习的广泛应用和深度卷积神经网络的快速发展，行人ReID研究取得了重大的进展。

在实际的摄像监控系统中，行人检测是行人ReID之前的重要步骤，行人检测的质量直接影响行人ReID的性能。当检测到的行人未填充于整个包围框中或不完全存在于边界框中时，ReID的准确性将大大降低。为了解决这个问题，AlignedReID计算两个被分割的行人图像对之间的距离，并动态规划从上到下的最短路径，以实现相应区域的匹配。行人检测和行人ReID相结合的方法是根据行人ReID的效果来指导行人检测中边界框的生成，因此可以更准确地获得行人图像。然而，上述基于对齐的方法忽略了图像背景，并且在计算相应区域的相似度时会引入背景干扰信息。当背景发生显著变化时，会导致某些区域提取的特征发生偏差，从而影响模型的匹配性能。

一些方法使用注意机制来解决特征未对准的问题。VPM添加了区域的可见性作为提取特征的补充，忽略了不可见部分，并使用两个行人图像的公共部分来计算相似度。AANet设计了一个注意力对齐网络，该网络使模型聚焦于行人图像的前景信息，并提取特征以实现特征对齐。然而，这些方法依赖于行人图像的空间特征。当行人姿势改变时，提取的特征在行人匹配过程中仍然会受到影响。

随着姿势估计网络的发展，许多方法将其引入行人ReID中以学习人类拓扑关系，以增强特征的表示能力。HOReID使用交叉图嵌入对齐层来实现行人图像的非遮挡区域的特征对齐。PAII学习人类拓扑关系以获得特征，并引入超参数以实现特征融合以实现特征对齐。但是，上述基于姿势估计网络的方法具有一定的参数开销，这忽略了模型的复杂性，导致了高模型复杂性。

因此，虽然现有基于特征对齐的行人重识别研究在提高行人重识别模型的准确率方面发展较为成熟，但是忽略了模型的复杂度和实时性，难以在终端进行部署，存在实时性差和模型冗余复杂等问题，并且已有轻量化模型的精度效果比较差，无法做好模型精确度和复杂度的平衡。因此，亟待一种有效基于特征对齐的行人重识别方法以解决上述问题。

发明内容

针对现有方法中存在的问题，本发明的目的在于提供一种姿势引导对齐的轻量行人重识别方法，包括以下步骤：

使用轻量的主干网络提取输入行人图像的特征，通过显著区域提取聚焦行人图像关键区域进行特征增强并得到全局特征；

利用轻量的姿势估计算法进行行人图像的关键点检测，并与增强之后的特征图进行外积操作得到行人图像的关键点局部特征；