[发明专利]一种基于实例感知和匹配感知的重识别方法

说明书

本发明公开了一种基于实例感知和匹配感知的重识别方法，所用重识别网络包括一个主干网络和三个分支，分别为全局分支、基于自引导的动态卷积分支和基于相互引导的动态卷积分支；利用在ImageNet上预训练的Resnet50作为主干网络；由浅层网络和动态卷积神经网络构成两个动态卷积分支；通过动态卷积核来提取每张图片的有效特征表达，基于相互引导的动态卷积支路在提取特征时将每一对输入图像视为独立的单元，每一对输入图像之间相互提供动态卷积核以获得辨识性特征，最终实现图像的重识别。本发明能更好地发现与挖掘独异性的实例特征，提升模型的目标自适应能力。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种行人重识别方法。

背景技术

重识别任务是计算机视觉领域中一项基础且富有挑战性的任务，其目标是在分散且没有重叠的摄像头视角下来匹配特定的对象实例。由于该项技术在智能监控和目标跟踪等领域具有极高的应用价值，重识别技术引起了工业界广泛关注的同时，在学术界也取得了长足的进步。尽管如此，由于重识别任务中待识别图像的光照饱和度，实例姿态、分辨率随拍摄场景、拍摄时间、拍摄角度变化而不断变化，其对算法的自适应能力提出了较高的需求。而以往模型参数固化的传统神经网络框架在面对这些问题时，往往不能取得较好的效果。

发明内容

为了克服现有技术的不足，本发明提供了一种基于实例感知和匹配感知的重识别方法，所用重识别网络包括一个主干网络和三个分支，分别为全局分支、基于自引导的动态卷积分支和基于相互引导的动态卷积分支；利用在ImageNet上预训练的Resnet50作为主干网络；由浅层网络和动态卷积神经网络构成两个动态卷积分支；通过动态卷积核来提取每张图片的有效特征表达，基于相互引导的动态卷积支路在提取特征时将每一对输入图像视为独立的单元，每一对输入图像之间相互提供动态卷积核以获得辨识性特征，最终实现图像的重识别。本发明能更好地发现与挖掘独异性的实例特征，提升模型的目标自适应能力。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：构造重识别网络；

重识别网络包括一个主干网络和三个分支，三个分支分别为全局分支、基于自引导的动态卷积分支和基于相互引导的动态卷积分支；

主干网络为在ImageNet上预训练的Resnet50网络；

全局分支依次为全局平均池化层和批标准正则化层；全局分支使用交叉熵损失函数和三元组损失函数进行训练；

基于自引导的动态卷积分支包括两个浅层网络、动态卷积神经网络和平均池化层，分别称为自引导第一浅层网络、自引导第二浅层网络、自引导动态卷积神经网络和自引导平均池化层；自引导第一浅层网络用于特征压缩；自引导第二浅层网络作为自引导控制器生成自引导动态卷积神经网络的动态卷积核；自引导第一浅层网络、自引导控制器、自引导动态卷积神经网络和自引导平均池化层依次连接；基于自引导的动态卷积分支使用交叉熵损失函数和三元组损失函数进行训练；

基于相互引导的动态卷积分支和基于自引导的动态卷积分支网络结构相同，其中包括互引导第一浅层网络、互引导第二浅层网络、互引导动态卷积神经网络和互引导平均池化层；基于相互引导的动态卷积分支使用三元组损失函数进行训练；

浅层网络由ReLU激活函数和批标准化层构成；

步骤2：将待查询图像输入重识别网络，采用双线性插值将待查询图像的大小调整为256*128像素，再经过Resnet50网络，得到2048*16*8维的待查询图像主干特征；

步骤3：将待查询图像主干特征输入全局分支，输出得到2048维的待查询图像全局特征；