[发明专利]一种基于空间序列特征学习的行人重识别系统及方法

权利要求书

1.一种基于空间序列特征学习的行人重识别系统，其特征在于：包括：Res2Net网络、全局特征模块、空间序列特征学习模块；

其中所述Res2Net网络用于对输入的图像进行特征提取，并输出特征图谱；

所述全局特征模块包括平均池化模块和全连接层模块，用于对所述特征图谱提取全局特征；

所述空间序列特征学习模块包括卷积层、随机掩膜模块、最大池化模块和自注意力模块；

所述Res2Net网络分别与所述全局特征模块和所述空间序列特征学习模块连接；

所述平均池化模块与全连接层模块连接；

所述卷积层和所述随机掩膜模块分别与所述最大池化模块连接，所述最大池化模块与所述自注意力模块连接。

2.根据权利要求1所述的基于空间序列特征学习的行人重识别系统，其特征在于：所述Res2Net网络包括多组卷积核分层为3*3的卷积，其中每组卷积均为残差连接结构。

3.根据权利要求1所述的基于空间序列特征学习的行人重识别系统，其特征在于：所述Res2Net网络还包括：SE模块，用于计算通道注意力。

4.根据权利要求1所述的基于空间序列特征学习的行人重识别系统，其特征在于：所述全连接层模块包括第一全连接层和第二全连接层，所述第一全连接层用于减少通道数，激活函数为ReLU；所述第二全连接层用于恢复通道数，激活函数为sigmoid。

5.根据权利要求1所述的基于空间序列特征学习的行人重识别系统，其特征在于：所述随机掩膜模块用于通过大小、位置均随机的掩膜对特征图谱进行遮挡，抑制高频特征的出现概率。

6.根据权利要求1所述的基于空间序列特征学习的行人重识别系统，其特征在于：所述最大池化模块用于对所述特征图谱在水平和垂直两个方向进行池化。

7.根据权利要求1所述的基于空间序列特征学习的行人重识别系统，其特征在于：所述自注意力模块包括：多头自注意力子模块和融合了残差结构的前馈神经网络，其中所述多头自注意力子模块用于在多个子空间计算多方面注意力。

8.一种基于空间序列特征学习的行人重识别方法，其特征在于：包括以下步骤：

构建行人重识别模型并采集图像数据，所述行人重识别模型包括：Res2Net网络、全连接层、随机掩膜和自注意力模块，采集行人原始图像，将三张所述行人原始图像作为一组输入图像；

获得特征图谱，将一组输入图像输入所述Res2Net网络，所述Res2Net网络提取所述行人原始图像的特征，以获得所述特征图谱；

全局特征提取，将所述特征图谱通过平均池化进行降维，以获得第一特征图谱，将所述第一特征图谱输入到所述全连接层，并映射到分类空间中，以计算损失函数；

空间序列特征提取，将所述特征图谱先通过卷积层降维，获得第二特征图谱，通过所述随机掩膜对所述第二特征图谱部分区域进行抑制，在水平方向和垂直方向进行最大池化，获取不同空间维度上的特征向量，再分别输入到所述自注意力模块中学习空间序列特征，并计算损失函数。

9.根据权利要求8所述的基于空间序列特征学习的行人重识别方法，其特征在于：所述损失函数包括：排序损失函数和AM-Softmax损失函数。