[发明专利]基于归一化和特征增强的跨域行人重识别方法

权利要求书

1.基于归一化和特征增强的跨域行人重识别方法，其特征在于，包括建立识别网络模型、图像特征归一化、图像特征恢复、图像特征输出；

所述建立识别网络模型，包括建立具有实例归一化单元IN、残差权重训练单元CMS和注意力单元CAB的归一化增强模块NEM，并以ResNet50模型为主干网络，将归一化增强模块NEM插入到ResNet50模型中，构成识别网络模型；所述ResNet50模型包括依次通信连接的Res1单元、Res2单元、Res3单元、Res4单元、Res5单元和Head单元，且Res2单元、Res3单元、Res4单元和Res5单元的输出端分别插入有归一化增强模块NEM；

所述图像特征归一化包括以下步骤：

S11，基于ResNet50模型提取行人图像特征x∈R^c×h×w携带的特征信息，其中，x为归一化增强模块NEM的输入特征，c为图像特征的通道数量、h为图像特征的高度、w为图像特征的宽度，R^c×h×w表示c×h×w维的实数域空间，x∈R^c×h×w表示的是输入特征x是c×h×w维的实数域空间中的一个向量；

S12，利用实例归一化单元IN获取输入特征x∈R^c×h×w的每个通道中的均值μ(x)和方差σ(x)，并基于获取的均值μ(x)和方差σ(x)计算出归一化特征x₁，计算公式为：

其中，γ和β都是可学习的参数向量，且γ∈R^c、β∈R^c，表示γ和β都为是c维的实数域空间中的向量；γ和β元素初始值分别设置为1和0，然后在训练过程中自动更新；

所述图像特征恢复包括以下步骤：

S21，利于残差权重训练单元CMS根据归一化特征x₁学习到一个残差权重W_r，即有：

W_r＝sigmoid(mean(conv(x₁)))

其中，conv(·)表示卷积、mean(·)表示求全局均值、sigmoid(·)表示激活函数；

S22，基于残差权重W_r融合输入特征x和归一化特征x₁，以恢复图像特征因风格归一化所丢失的判别信息，融合公式为：

x₂＝W_r×x₁+(1-W_r)×x

其中，x₂为恢复后的图像特征，命名为恢复后特征，且x₂∈R^c×h×w，表示的是恢复后特征x₂是c×h×w维的实数域空间中的一个向量；

所述图像特征输出包括以下步骤：

S31，利用注意力单元CAB探索恢复后特征x₂中不同通道之间的关联性，并自适应提取通道注意力权重W_c，即有：

W_c＝ca(x₂)

其中，ca(·)为注意力单元CAB，通道注意力权重W_c衡量了x₂中各通道信息的重要性；

S32，借助通道注意力权重W_c对恢复后特征x₂进行过滤，以增强行人特征的表征能力，即有：

f＝(W_c+1)×x₂

其中，f为归一化增强模块NEM的输出特征；

S33，分别计算输入特征x的中心损失C_x和输出特征f中心损失C_f，以衡量输入特征x和输出特征f在特征空间中的类内离散度，计算公式为：

其中，c^x_j∈R^d，代表输入特征x中第j个行人的类中心；c^f_j∈R^d，代表输出特征f中第j个行人的类中心；n代表数据集中行人总数，m表示第j个行人的特征总数，x_ji表示输入特征x中第j个行人的第i个特征，d代表每一个特征的维度，R^d代表d维的实数域空间，即，c^x_j和c^f_j都是d维的实数域空间中的向量；

S34，基于中心损失c_f和c_x建立NEM损失函数，NEM损失函数为：

其中，L_NEM为由NEM5的输入特征x和输出特征f计算得到的损失值。