[发明专利]一种基于距离选择的强判别特征学习的行人重识别方法

说明书

本发明公开了一种基于距离选择的强判别特征学习的行人重识别方法，属于计算机视觉领域中的图像检索方向，主要结合强判别特征表征行人的整体信息，用一种有效方法解决局部特征的对齐问题，最终结合多类损失联合训练网络。在G‑Net模块中引入中心损失，将多类损失归一到同一球面上，并定性的度量不同类别之间的距离。算法主要包括：数据增强操作、多分支网络三个模块损失函数的设计、解决局部区域未对准可能导致空间语义不一致方法；本文方法联合全局特征与局部特征并结合多种度量学习方法来优化网络参数，并针对局部区域对齐问题提出了一种基于距离选择的强判别特征学习方法，在不增加训练成本的情况下进一步提升检索的精度，使用价值高，可扩展性强。

技术领域

本发明属于计算机视觉领域，是图像处理领域中的一项重要应用，尤其是涉及一种基于距离选择的强判别特征学习的行人重识别方法。

技术背景

随着互联网软硬件技术的不断进步，人脸识别、目标追踪以及行人再识别等行人智能认知技术日益发展并逐渐商用起来。在帮助刑侦破案以及特定场景下的识人、寻人问题上带来了巨大的便利。行人重识别技术是继人脸识别之后的一个重要研究方向，在人脸识别失效的场景下，可以根据人的整体形态、衣着、体态、发型颜色等信息来判断行人的类别信息。行人重识别(person re-identification，简称Reid)也称为行人再识别，是图像检索(Image Retrieval)的子方向，旨在跨摄像头下检索出与查询图最相似的前k张图，该技术可以与行人检测、行人跟踪等技术结合起来应用于智能视频监控、智能安保、智能交通等领域。然而，在学术界，由于行人重识别数据集很难获取，所以一般在通用数据集上做工作，这对算法性能提高了要求。此外，由于摄像头拍摄角度、行人姿态变化、运动姿态变化以及光照、遮挡等等的影响，导致现有的行人再识别技术很难进一步提高检索精度。目前，如何设计一种最优的网络特征提取方式以及找到一种高效快速的度量学习方法是行人重识别亟待解决的问题。

自深度学习以来，目前主流的行人重识别的研究更加注重如何设计网络来提取鲁棒的特征以及如何寻找最优的度量方法来解决类内差异大、类间差异小的问题。然而，常用数据集多是在校园里采集的行人图像，同一摄像头捕获的行人背景的相似性以及不同时间拍摄的光照差异等都会对特征提取以及相似性度量带来一定的困难。此外，行人检测技术得到的数据也存在误差，检测的图像带有背景冗余信息会对图像的特征提取带来一些的不可避免的困扰，所以如何设计网络结构提取行人的显著性特征，即如何提取底层细节特征(线条颜色、服装logo、行人轮廓等)以及高层抽象特征(复杂性区域)成为主要问题。由于样本数据采集的随机性，在提取局部区域做度量损失会出现空间语义不一致的问题，解决局部区域的不对齐问题对特征层面的度量损失起关键作用，能够达到利用局部显著特征进一步拉近同类ID的图片、分离不同ID的行人图像的效果，有力的推动重识别任务的发展。

我们提出的一种基于距离选择的强判别特征学习的行人重识别方法在现有的精度中达到了差不多的效果。值得注意的是，我们的网络不需要额外的语义辅助信息，不需要利用姿态估计模型去定位人体的局部区域，并提出一种局部对齐匹配的思想，进一步根据对齐的局部特征提高网络的判别能力。

发明内容

本发明提出了一种基于距离选择的强判别特征学习的行人重识别方法。该方法以深度卷积神经网络Resnet50作为backbone，使用在ImageNet上预训练的权重作为整个网络的初始化。在训练阶段指导全局与局部特征结合分别做softmax损失以及三元组损失，并引入中心损失进一步控制类间类内距离。我们设计了三个模块，分别是全局网络G-Net(Global Network)、局部网络L-Net(Local Network)以及局部区域的选择对齐模块CA(Choose Aligned Module)。联合三个模块的训练，能够融合全局与局部特征，并能够在局部区域选择对齐后的特征，更具有判别力。