[发明专利]一种遮挡行人特征提取与行人重识别方法

权利要求书

1.一种遮挡行人特征提取与重识别方法，其特征在于，包括以下步骤：

利用全局特征提取网络提取N张输入行人图片的全局行人特征；

利用行人局部特征提取网络以关键点为基础提取N张输入行人图片的局部行人特征；

利用特征融合图匹配网络融合每张输入行人图片对应的全局行人特征和局部行人特征，获得N个行人综合特征信息，并通过图匹配的方式进行相互对比，获得每张输入行人图片的行人重识别结果；

其中，所述全局特征提取网络包含K层卷积层和有效感受野提取模型，所述有效感受野提取模型用于对第一卷积层提取的浅层特征张量逐通道分析，依次找到每个通道中特征值最大的像素点作为该通道对应的最佳信息像素点，再根据最佳信息像素点的高度值统计浅层特征张量中相互重叠的不同区域各自包含的最佳信息像素点数量，并选取最佳信息像素点数量最多的区域作为浅层特征张量的最佳感受野并作为第二卷积层的输入；所述相互重叠的不同区域由原始输入行人图片水平切割映射获得；

所述全局特征提取网络、行人局部特征提取网络和特征融合图匹配网络通过利用行人数据集以最小化预测值与真值的损失为目标训练获得。

2.根据权利要求1所述的遮挡行人特征提取与重识别方法，其特征在于，所述全局特征提取网络还包括特征激发模型，所述特征激发模型包含K-1个子激发模块，分别用于激发第2~K层卷积层提取的深层特征张量；所述子激发模块包含特征蒸馏模块与特征激活模块，其中，特征蒸馏模块由多个卷积聚集层组成，用于对深层特征张量进行连续的压缩与蒸馏；所述特征激活模块用于将特征蒸馏模块输出的特征与原始输入的深层特征张量融合并激活。

3.根据权利要求1所述的遮挡行人特征提取与重识别方法，其特征在于，所述全局特征提取网络在推理阶段不使用有效感受野提取模型。

4.根据权利要求1所述的遮挡行人特征提取与重识别方法，其特征在于，所述相互重叠的不同区域为：0～(1-α)H，0.5αH～（1-0.5α）H和αH～H的三个区域，α为取值0~1的可变参数，H为输入行人图片的高。

5.根据权利要求1所述的遮挡行人特征提取与重识别方法，其特征在于，所述行人局部特征提取网络包括用于估计输入行人图片中行人姿态的姿态估计模块和用于根据所获得的姿态提取局部特征的局部特征提取模块；所述特征融合图匹配网络包括：用于融合每张输入行人图片对应的全局行人特征和局部行人特征，获得N个行人综合特征信息的融合特征模块和对N个行人综合特征信息进行两两高维匹配的图匹配模块。

6.根据权利要求5所述的遮挡行人特征提取与重识别方法，其特征在于，所述融合特征模块融合每张输入行人图片对应的全局行人特征和局部行人特征，获得N个行人综合特征信息，具体为：

将获得的全局行人特征张量和局部行人特征张量进行特征通道数统一处理，然后串联，对串联后的每张输入行人图片的特征张量逐通道分析，获得每个通道对应的特征最大值作为该通道的代表性特征，所有通道的代表性特征构成每张输入行人图片的行人综合特征信息，最终获得N个行人综合特征信息。

7.根据权利要求5所述的遮挡行人特征提取与重识别方法，其特征在于，所述预测值与真值的损失具体包括：局部特征提取模块输出的特征对称损失、融合特征模块输出的分类损失与三元组损失以及图匹配模块输出的图匹配损失。