[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

说明书

本发明公开了一种基于空间序列特征学习的行人重识别系统及方法，包括：Res2Net网络、全局特征模块、空间序列特征学习模块；全局特征模块包括平局池化模块和全连接层模块；Res2Net网络分别与全局特征模块和空间序列特征学习模块连接；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。本发明提出基于自注意机制的空间序列特征学习模块，构造水平和垂直两个方向的空间序列特征，学习其空间语义联系，提取有效的局部特征；提出随机批次特征擦除训练策略，通过随机掩膜块对特征图谱的局部区域进行遮挡，以此迫使模型学习被抑制的低频局部特征。

技术领域

本发明涉及行人重识别领域，特别是涉及一种基于空间序列特征学习的行人重识别系统及方法。

背景技术

行人重识别是计算机视觉领域中一个重要的研究方向，随着民众对公共安全的需求日益增长和公开摄像头的普及，行人重识别技术在智能安防领域中的作用也越来越重要。传统的行人重识别研究主要是基于手工方式构造行人特征，随着深度学习技术的发展，行人重识别模型的性能有了显著的提高，但是行人分辨率低，图像存在遮挡，数据集规模小等因素都制约着模型性能的提升。现阶段，许多研究在学习局部特征时，忽略了局部特征间的空间语义关系。

早期的行人重识别研究都是基于全局特征进行，然而行人图像获取困难，常常无法获得行人正面图像，或是行人部分躯体被障碍物遮挡。当行人的服饰相似且关键部位被遮挡时，不同行人图像会十分相似，仅仅依靠全局特征无法分辨，因此近年来许多研究都基于局部特征进行改进。常用的获取局部特征的方式有两种，一种是通过多尺度特征提取模型，提取模型局部的、细粒度的特征，这种方法也被广泛应用于图像识别的多个领域中，研究较为成熟。第二种方式是通过人工或者自动化的方式将行人图像划分为多个区域，分别提取空间特征然后融合，Varior等人就将图像按水平方向划分为六个区域分别提取特征，由于行人在各个图像中的位置和姿态不一致，按空间进行分割会产生局部区域不对齐的问题，有研究者通过目标检测的方式引入姿态信息辅助局部特征进行对齐，也取得了一定的提升。

但是现有技术中基于空间区域特征学习的方法存在着两个弊端：

(1)大部分研究者基于生物学上的观点，将人按照头部、四肢和躯干的方式进行分类，然后按照水平方向对图像进行分割。但是神经网络并非按生物学的方式进行特征提取，按照垂直方向分割也能获得有效的特征，特别是当行人被墙壁、电线杆等垂直障碍物遮挡时，按照垂直方向分割能够更好地将遮挡区域分离。

(2)通过目标检测的方法引入姿态等信息虽然有助于提升模型效果，但是流程较为繁琐，增加了算法复杂度。而且在行人图像上进行高精度的姿态检测本身就是一个较为困难的任务，如果引入错误的姿态信息，反而会对模型进行干扰。

故现实社会中亟需一种能够解决现有技术中存在的问题的方法。

发明内容

本发明的目的是提供一种基于空间序列特征学习的行人重识别系统及方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了如下方案：

本发明提供一种基于空间序列特征学习的行人重识别系统，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局池化模块和全连接层模块，以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；

所述平局池化模块与全连接层模块连接；