[发明专利]一种基于人体骨骼关键点分割和列卷积的行人重识别方法

权利要求书

1.一种基于人体骨骼关键点分割和列卷积的行人重识别方法,其特征在于，包括步骤如下：

(1)准备行人数据集，行人数据集是指处于不同场景且具有不同尺度的大量的行人图像；将行人数据集划分为训练集、验证集和测试集,使用LabelImg图片标注工具标注训练集；

(2)将训练集送入网络A，网络A是目标检测网络，得到上半身图片信息和下半身图片信息，上半身图片信息是指包含有行人上半身信息的高维矩阵X；下半身图片信息是指包含有行人下半身信息的高维矩阵Y；

(3)将高维矩阵X送入网络B，网络B是人体骨骼关键点检测网络，得到表征上半身特征的tensor1,tensor1的空间大小为m×n，m为矩阵行数、n为矩阵列数，将tensor1按人体骨骼关键点水平分为头、胸、腹三部分；得到tensor1-1、tensor1-2、tensor1-3，经过池化和降维后送入softmax层进行分类，根据分类结果分别计算cross-entropy loss；

步骤(3)中，将高维矩阵X送入网络B，采用横向卷积得到表征上半身特征的tensor1，包括步骤如下：

设定高维矩阵X的尺寸为C1×H1×W1，C1、H1、W1分别表示高维矩阵X的通道数、高度和宽度；高维矩阵X进入网络B后，卷积核从第一层卷积开始卷积，逐步滑动，将第一层卷积完后移到第二层进行卷积，继续滑动直至卷积全部完成，经过多个卷积层操作，得到tensor1；

(4)将高维矩阵Y送入网络B，得到表征下半身特征的tensor2,tensor2的空间大小为p×q，p为矩阵行数、q为矩阵列数，将tensor2按人体骨骼关键点纵向分为左、右腿两部分，得到tensor2-1、tensor2-2，经过池化和降维后送入softmax层进行分类，根据分类结果分别计算cross-entropy loss；

步骤(4)中，将高维矩阵Y送入网络B，采用列卷积得到表征下半身特征的tensor2，包括步骤如下：

设定高维矩阵Y的尺寸为C×H×W，C、H、W分别表示高维矩阵Y的通道数、高度和宽度；

A、高维矩阵Y进入网络B后，被水平切割为H个切片；

B、对最上层的切片进行卷积操作，卷积输出添加到下一层切片，将更新后的切片进行卷积操作，重复此过程直至最底层切片卷积完成，得到tensor A；

C、对最下层的切片进行卷积操作，卷积输出添加到上一层切片，将更新后的切片进行卷积操作，重复此过程直至最顶层切片卷积完成，得到tensor B；

D、使用concat函数将tensorA、tensorB拼接在一起，得到tensor2；

(5)使用测试集验证,进行结果检测。

2.根据权利要求1所述的一种基于人体骨骼关键点分割和列卷积的行人重识别方法,其特征在于，步骤(1)中，使用LabelImg图片标注工具标注训练集，是指：下载并安装LabelImg图片标注工具,对训练集中的行人图像标注三类标签，收集行人在行人图像中的位置信息，包括：用矩形框框出人体位置，用矩形框框出人体上半身位置和下半身位置，用标注点标注人体上半身和人体下半身中的骨骼关键点。

3.根据权利要求1所述的一种基于人体骨骼关键点分割和列卷积的行人重识别方法,其特征在于，步骤(1)中，数据集中，训练集占70％，验证集占10％，测试集占20％。

4.根据权利要求1所述的一种基于人体骨骼关键点分割和列卷积的行人重识别方法,其特征在于，步骤(2)中，将标注后的训练集送入目标检测网络后，学习并区分人体上半身位置和下半身位置的特征信息，从而获得分别表征上、下半身信息的高维矩阵X、Y。