[发明专利]基于深度学习的行人重识别方法

权利要求书

1.一种基于深度学习的行人重识别方法，其特征在于，包括：

针对行人重识别的输入数据进行批量归一化，获得训练样本；

建立深度特征提取网络架构进行特征提取；

通过训练样本对所述深度特征提取网络架构进行训练；

根据训练好的深度特征提取网络架构进行行人重识别。

2.根据权利要求1所述的基于深度学习的行人重识别方法，其中，针对行人重识别的输入数据进行批量归一化包括：

输入个数为n的数据，通过仿射变换得到一组新的数据ξ＝{x(1),x(2),…,x(n)}；

计算ξ＝{x(1),x(2),…,x(n)}的均值μ_ξ，即：

计算ξ＝{x(1),x(2),…,x(n)}的方差σ²ξ，即：

进行归一化处理，得到即：

通过对归一化后的数据进行尺度变化和偏移，得到批量归一化数据：

3.根据权利要求1所述的基于深度学习的行人重识别方法，其中，所述深度特征提取网络架构包括第一分支与第二分支；输入图像经过两个分支进行特征处理后，将两个分支的特征输入到多尺度池化模块中进行池化操作，然后将输出的特征输入到分类器中进行分类。

4.根据权利要求3所述的基于深度学习的行人重识别方法，其中，输入图像经过所述第一分支进行特征处理包括：

原始输入特征通过扩展形态学轮廓算法提取形态学特征；

通过局部二值模式算法提取纹理特征；

将纹理特征和形态学特征进行特征融合，融合方式为对应位置的像素值相加后取平均，得到融合后特征；

将融合后特征X送入错序注意力模块，得到H'，然后将H'再次输入到错序注意力模块，得到全局特征图H″。

5.根据权利要求4所述的基于深度学习的行人重识别方法，其中，原始输入特征通过扩展形态学轮廓算法提取形态学特征包括：

设f(x,y)和g(x,y)为定义在二维离散空间F和G上的两个离散函数，其中f(x,y)为输入图像的每一通道图像在点(x,y)处的灰度函数，g(x,y)为结构元素在点(x,y)处的灰度函数，D_f为f(x,y)的域，D_g为g(x,y)的域，则f(x,y)对g(x,y)的扩展腐蚀和扩展膨胀被分别定义为：

其中，dist算子为距离算子，

定义扩展开、闭运算分别为：

经过多次开闭运算，得到多幅形态学特征图像，将多幅形态学特征图像组合叠加，组成形态学特征。

6.根据权利要求4所述的基于深度学习的行人重识别方法，其中，通过局部二值模式算法提取纹理特征包括：

原始的局部二值模式算子定义为在N_L*M_L尺寸的窗口内，以窗口中心像素为阈值，将相邻的N_L·M_L个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，N_L*M_L邻域内的N_L·M_L个点经比较可产生N_L·M_L位二进制数，即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息用公式表示如下：

其中，(x_c,y_c)为中间像素点的值，P为邻域的第P个像素，i_p为邻域像素的灰度值，i_c为中心像素的灰度值，s(x)为符号函数，定义如下：

对输入图像的每个通道提取纹理特征并重新组合得到纹理特征。