[发明专利]一种基于局部分辨特征融合的行人重识别方法

权利要求书

1.一种基于局部分辨特征融合的行人重识别方法，其特征在于，包括以下步骤：

步骤1)选取训练数据，选取训练用数据集，并将数据集划分为训练集和测试集；

步骤2)设计网络结构，设计一个用于融合算法的两分支的轻量级行人重识别网络；

步骤3)设计损失函数，采用ID损失、软边三元组损失和中心损失一起训练；

步骤4)训练神经网络，使用随机梯度下降算法对网络进行训练，训练过程中可以观察整个网络在测试集的损失；

步骤5)测试结果，通过训练好的神经网络进行行人重识别。

2.根据权利要求1所述的一种基于局部分辨特征融合的行人重识别方法，其特征在于，步骤1)具体包括：

选取行人重识别中比较流行的三个数据集:Market1501、DukeMTMC-reID和CUHK03；Market1501数据集被划分成一个训练集和一个测试集；DukeMTMC-reID数据集被划分成一个训练集和一个测试集；CUHK03数据集被划分成一个训练集和一个测试集。

3.根据权利要求1所述的一种基于局部分辨特征融合的行人重识别方法，其特征在于，步骤2)具体包括：

所述网络为通过在全尺度网络OSNet基础上设计得到的一个两分支的轻量级行人重识别网络，整个网络结构包括一个共享网络、一个全局分支和一个局部分支，其中共享网络是由OSNet中前3个conv层和2个过渡层构成，在共享网络中插入两个注意力模块，分别为空间注意力模块和通道注意力模块；全局分支是由OSNet中的conv4层和conv5层组成，后接一个全局最大池化层用于生成512维特征向量，最后接一个分类层用于分类任务；局部分支同样是由OSNet中的conv4层和conv5层组成，所述局部分支将conv5层输出的特征图均匀水平划分成4个部分，后分别接一个全局平均池化得到4个512维的特征向量，最后将其拼接成一个2048维的特征向量，后接一个分类层用于分类任务。在进行识别任务时，通过去除网络中的分类层，进而将两分支网络的全局分支与局部分支分别提取出的全局特征与局部特征进行融合，从而进行行人重识别任务。

4.根据权利要求1所述的一种基于局部分辨特征融合的行人重识别方法，其特征在于，步骤3)具体包括：

假设给定输入批次标签样本标记为{(x_i,y_i),i＝1,2,…,N_s}，对于提取出的特征向量g，ID损失的形式可表示为：

其中W^j，分别为权重矩阵W(对应于g的分类器)的第j列和第y_i列，对应地，b_j，分别为偏置b的第j列和第y_i列。

给定一组锚样本x_a、正样本x_p与负样本x_n，则软边三元组损失的形式可表示为：

其中softplus＝ln(1+exp(·))，P(a)、N(a)分别表示数据样本中正样本和负样本，d(x_a,x_p)指锚样本与正样本间的距离，d(x_a,x_n)指锚样本与负样本间的距离。

中心损失形式可表示如下：

其中m指批处理大小，x_j指第j张样本图像，y_i指第i张图像对应的标签，指第y_i类别的特征中心；

最后，总的损失函数形式如下：

L_total＝L_s-id+γ_tL_triplet+γ_cL_center

所述γ_t,γ_c是指加权因子。

5.根据权利要求1所述的一种基于局部分辨特征融合的行人重识别方法，其特征在于，步骤5)具体包括：

对于已经训练好的网络模型，将数据集中的行人图像的尺寸调整好，并归一化后分别送入到训练好的网络模型中，经过网络的局部分支与全局分支后分别提取出2048维特征向量和512维特征向量；将提取的两个特征向量拼接进行融合；计算两幅图像对应特征向量间的欧氏距离作为两幅图像的相似度，欧氏距离越小，表示两幅图像越相似，属于同一个行人的概率越大；将相似度与提前设置的阈值作比较，若相似度高于阈值，则判定为同一个行人，否则判定为不同的行人。