[发明专利]全局遮挡自适应的行人训练/识别方法、系统、设备及介质

权利要求书

1.一种全局遮挡自适应的行人训练方法，其特征在于，包括：

接收训练数据集；所述训练数据集包括N个行人，每个行人具有M张图片；其中，N大于1，M大于1；

提取每一幅图片的属性特征图，以输出NxM属性特征图；

将同一行人的所有属性特征图进行融合，形成该行人的融合特征，并获取若干行人的融合特征；

从所述多张属性特征图中提取局部特征及从所述若干行人的融合特征提取全局特征；

根据所述局部特征和所述全局特征，提取局部特征的注意力，以计算分别用于表征所述局部特征的局部特征注意力增强后的特征和用于表征所述全局特征的全局特征在屏蔽图片遮挡信息后的特征；所述局部特征的注意力用于描述图片的遮挡信息；

对所述局部特征注意力增强后的特征和所述全局特征在屏蔽图片遮挡信息后的特征进行损失计算。

2.根据权利要求1所述的全局遮挡自适应的行人训练方法，其特征在于，所述提取每一幅图片的属性特征图，以输出多张属性特征图的步骤包括：

利用预存的卷积神经网络，将每一幅图片转换成属性特征图；每一幅图片的图片维度为(3，H，W)，H表示高度，W表示宽度；属性特征图的维度为(C，H，W)，C表示卷积通道数。

3.根据权利要求1所述的全局遮挡自适应的行人训练方法，其特征在于，所述将同一行人的所有属性特征图进行融合，形成该行人的融合特征，并获取若干行人的融合特征的步骤包括：

对每一副属性特征图进行重塑，使之成为维度为(1，CxH，W)的属性特征图；

将所有的属性特征图进行拼接，使之成为维度为(M，CxH，W)的特征图；

在所述特征图的第一维做全局最大池化处理；

将拼接后的特征图重塑成维度为(C，H，W)的属性特征图，使之保留每一个行人的M张图片中每一张图片的显著特征，并将其进行融合，形成每一个行人的融合特征。

4.根据权利要求1所述的全局遮挡自适应的行人训练方法，其特征在于，所述从所述多张属性特征图中提取局部特征及从所述若干行人的融合特征提取全局特征的步骤包括：

将所述多张属性特征图转换成为NxM条特征矢量；其中，每一张图片对应的每一条特征矢量表示局部特征；

将若干行人的融合特征转换成为N条特征矢量；其中，每一条特征矢量表示全局特征。

5.根据权利要求4所述的全局遮挡自适应的行人训练方法，其特征在于，所述根据所述局部特征和所述全局特征，提取局部特征的注意力，以计算分别用于表征所述局部特征的局部特征注意力增强后的特征和用于表征所述全局特征的全局特征在屏蔽图片遮挡信息后的特征的步骤包括：

所述局部特征和所述全局特征经过一卷积网络结构，建立关联矩阵；所述关联矩阵用于表达局部特征或全局特征的每个像素与所有像素之间的关系；

通过所述关联矩阵，重构所述关联矩阵中横向的第一关系向量和纵向的第二关系向量；

将局部特征、第一关系向量及进行拼接，再经过另一卷积网络结构后，提取出局部特征的注意力；

将局部特征与局部特征的注意力相乘，获取局部特征注意力增强后的特征；

将全局特征与局部特征的注意力相乘，获取全局特征在屏蔽图片遮挡信息后的特征。

6.根据权利要求5所述的全局遮挡自适应的行人训练方法，其特征在于，对所述局部特征注意力增强后的特征和所述全局特征在屏蔽图片遮挡信息后的特征进行损失计算的步骤包括：

从表征学习的角度出发，将所述局部特征注意力增强后的特征和全局特征在屏蔽图片遮挡信息后的特征输入至卷积神经网络的全连接层，使其映射到等同于训练数据集的行人数量的长度的特征上，计算用于反映分类问题的损失；

从度量学习的角度出发，计算用于反馈拉近同类距离，推开异类距离的损失；及

计算用于统一所述局部特征注意力增强后的特征和所述全局特征在屏蔽图片遮挡信息后的特征的特征。