[发明专利]一种渐进式多损失函数约束下的行人重识别动态训练方法和系统

说明书

本发明涉及深度学习领域，公开了一种渐进式多损失函数约束下的行人重识别动态训练方法和系统；通过关键点检测技术确定行人裁剪框位置，通过padding方式进行行人部件对齐；设计网络结构对不同尺寸细节特征进行提取；通过渐进式多损失联合约束方法对提取的特征向量进行动态训练。比较每个图像块之间的相似度，实现更精准、更有效的特征比对；设计多尺度特征提取模块，捕捉不同尺寸细节特征，增加网络特征提取能力；渐进式多损失联合约束方法进行动态训练，其调控性强、灵活度高；可根据不同训练阶段，逐步控制类内距离和类间距离不断趋向于理想状态，最终提升模型特征提取能力，优化模型效果。

技术领域

本发明涉及深度学习领域，尤其涉及了基于渐进式联合损失函数约束下的行人重识别动态训练方法和系统。

背景技术

行人重识别也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，该技术在在监控设备视觉领域非常重要。

虽然目前的人脸识别技术非常成熟，能够通过人脸比对搜索和识别判断出某个人，但是也存在一些局限性，比如人脸识别在行人带着面罩，背对监控等特殊情况下将无法识别。

行人重识别技术可以实现给定一个监控行人图像，检索出不同设备下的该行人图像。行人重识别技术可以对无法获取清晰拍摄人脸的行人进行跨摄像头连续跟踪，增强数据的时空连续性，在安防、寻找失踪儿童等的场景中，协同人脸识别技术，协助高效处理事件。然而，目前行人重识别的研究也面临着诸如姿态变化大、服装过于相似等挑战，如何提升模型识别性能，减少误检、漏检，成为了行业内一个重要研究分支。

专利名称为：一种行人重识别方法及系统，申请号为：CN201910672444.2，申请日：2019-07-24，专利申请中公开了通过行人分析网络对输入图像进行行人分析，提取输入图像中的行人的细粒度特征；将细粒度特征与行人重识别网络模型的卷积层输出的输入图像的行人特征融合；根据融合后的行人特征，识别输入图像中的行人。该专利采用了业界常用的Resnet50为骨架网络，而本发明使用了自行设计的并行多分支多尺度特征提取结构为主干网络，具备更强的细节特征挖掘能力。本发明所涉及损失函数以及模型训练方法和该专利完全不同。该专利选用普通三元组损失函数以及交叉熵损失函数，使用通用训练方案。而本发明考虑到每个类别的优化难度及方向不一致，针对每个类别设有不同调控因子，且在训练过程中采用渐进式训练策略。

专利名称为：一种联合多损失动态训练策略增强局部特征学习的行人重识别方法，申请号为：CN2020109348839，申请日：2020-09-08，专利申请中公开了一种利用部件对齐思想进行特征匹配，采用自注意力机制网络提取非行人局部特征；专利强调该局部特征主要为行人携带物品，并将行人全局特征和该局部特征融合用于行人重识别。训练方法上，使用动态训练交叉熵和三元组损失函数方法优化模型参数。不同的是，本发明和该专利对齐方法不同，所采用网络结构也完全不相同。该专利涉及的动态训练方法是一种针对当前两个损失函数平均损失值，添加一平均移动因子，通过控制该平均移动因子，控制约束强度。本发明中的动态训练过程调控更为精准细致。

发明内容

本发明针对现有技术在行人重识别过程中，其姿态变化大，服装过于相似，这样模型识别性能差，容易存在误检和漏检的问题，提供了一种渐进式多损失函数约束下的行人重识别动态训练方法和系统。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种渐进式多损失函数约束下的行人重识别动态训练方法，其方法包括

标准化对齐，通过关键点检测技术确定行人裁剪框位置，并通过padding方式进行行人部件对齐；

多尺度特征提取，设计网络结构对不同尺寸细节特征进行提取；

渐进式多损失联合约束动态训练；通过渐进式多损失联合约束方法对提取的特征向量进行动态训练。