[发明专利]一种基于深度学习的多级特征提取网络行人再识别方法

说明书

本发明公开了一种基于深度学习的多级特征提取网络行人再识别方法，其步骤包括：1)对行人再识别网络进行每一轮训练时，提取每一图像对应的次级特征和全局特征；2)将全局特征以及每一次级特征分别依次通过BN、全连接层、Circle Loss、标签平滑、Softmax Loss处理后得到一对应的损失值；将全局特征分别通过Center Loss、Triplet loss with adaptiveweights计算一损失值；3)根据所得各损失值计算一总损失值，调整网络参数；4)利用训练完成后的网络获取各待识别图像特征；计算各待识别图像特征与目标图像特征的相似度，再进行相似度排序，获得与目标图像相似图片列表。

技术领域

本发明涉及一种基于深度学习的行人再识别算法。行人再识别(Person Re-identification，ReID)可以在多摄像机产生的数据中，获取目标行人短期内出现的位置及相应时间，进而构建出目标行人的活动轨迹及行为分析。

背景技术

卷积的本质是进行特征的融合，而该融合在空间层面上是局部的，在通道层面上却是默认为全部融合，显然，不同通道的信息对结果的影响同样是不同的。于是提出了SE(Squeeze and Excitation)模块(参考Hu J,Shen L,Sun G.Squeeze-and-excitationnetworks[C]//Proceedings of the IEEE conference on computer vision andpattern recognition.2018:7132-7141)。SE模块将视角从空间层面移开，关注特征通道之间的关系，使得特征关注更加重要的通道。

SE模块可以认为是通道注意力机制，而文献认为仅仅结合通道域是不够全面的，于是结合了通道注意力机制和空间注意力机制，提出了CBAM(Convolutional BlockAttention Module)，其通过实验发现通道注意力机制与空间注意力机制的串联要比并联效果更好(参考Woo S,Park J,Lee J Y,et al.Cbam:Convolutional block attentionmodule[C]//Proceedings of the European conference on computer vision(ECCV).2018:3-19)。由神经网络提取出的特征更关注于显著特征，由此获得的全局特征可能会忽略一些真正拥有辨识性的细微特征，于是研究者们开始关注如何获得更细粒度的特征，目前获取局部特征的主流方向为水平切片与人体姿态分割。人体姿态分割方法需要单独训练人体姿态识别网络后再进行行人再识别。通过水平切片方法获得的特征看似仅代表图片的局部，但在经过深层网络的提取后，感受野实际已经覆盖全图，只是侧重不同。文献表明，即使只使用通过水平切片所获得的局部特征仍能取得不错的性能(参考Sun Y,Zheng L,YangY,et al.Beyond part models:Person retrieval with refined part pooling(and astrong convolutional baseline)[C]//Proceedings of the European Conference onComputer Vision(ECCV).2018:480-496)。文献表明，在训练中联合全局特征与局部特征会获得更好的效果(参考Luo H,Jiang W,Zhang X,et al.AlignedReID++:Dynamicallymatching local information for person re-identification[J].PatternRecognition,2019,94:53-61)。