[发明专利]一种基于多粒度遮挡感知的遮挡行人重识别方法

说明书

本发明属于计算机视觉领域，涉及一种行人重识别方法，尤其涉及一种基于多粒度遮挡感知的遮挡行人重识别方法；该方法包括：实时获取待重识别的行人图像数据；将该数据输入到训练好的基于多粒度遮挡感知的遮挡行人重识别模型中，输出遮挡行人重识别结果；本发明对比固定分割和单一级别的方法，增强了特征多样性；对比仅使用沿高度维度水平分割的方法，添加垂直划分以应对任意分布的语义信息；对比一步预测的方法，在多个级别上进行多步预测以提升精度，实现更精确的遮挡行人重识别。

技术领域

本发明属于计算机视觉领域，涉及一种行人重识别方法，尤其涉及一种基于多粒度遮挡感知的遮挡行人重识别方法。

背景技术

行人重识别(ReID)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。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补固定的摄像头的视觉局限，并可与行人检测行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。

由于人们很容易会被一些障碍物(如行李、柜台、人群、汽车、树木)遮挡，或者由于部分身体走出了摄像机拍摄区域而造成遮挡。因此，有必要去准确匹配只具有局部可观测的行人图片，这就是所谓的遮挡行人重识别(Occluded Person Re-ldentification)问题。行人重识别(ReID)任务的目标是去匹配不同摄像机拍摄到的同一个人的图像，虽然人们近年来提出了多种针对ReID的方法，其中，常见的一种针对ReID的方法是基于多粒度感知。然而，现有的基于多粒度感知解决行人重识别问题大多侧重于人的全身图像，忽略了更具挑战性且也是实际应用中经常出现的行人遮挡问题。对于遮挡行人重识别问题，现有技术存在三个限制因素，首先，现有技术提取到的特征受到固定分割和单一级别的限制，这导致了特征多样性较弱。其次，沿高度维度的均匀水平分割与语义信息的实际分布相冲突，即遮挡信息并非全部水平分布，这导致了一致性问题。最后，由于现有方法通常在单一级别上进行一步预测，因此遮挡区域无法被精确删除。

发明内容

为解决以上现有技术问题，本发明提出了一种基于多粒度遮挡感知的遮挡行人重识别方法，该方法实时获取待重识别的行人图像数据；将该数据输入到训练好的基于多粒度遮挡感知的遮挡行人重识别模型中，输出遮挡行人重识别结果；

对基于多粒度遮挡感知的遮挡行人重识别模型进行训练的过程包括：

S1：获取原始行人图像数据；对获取的数据进行预处理，将预处理后的数据进行划分，得到训练集和测试集；

S2：将训练集的数据输入到模型的多粒度特征提取器中提取行人的特征，得到不同尺度的特征映射，将不同尺度的特征映射输入到不同分支；

S3：根据特征映射计算注意力遮挡感知，得到增强后的上一分支行人特征；

S4：利用多粒度信息传递，将上一分支的特征映射传递到当前分支；

S5：根据传递特征映射和当前分支的特征映射计算注意力遮挡感知，得到增强后的当前分支行人特征，实现遮挡由粗到细的擦除；

S6：将经过所有分支处理得到的行人特征concat拼接在一起，输出基于多粒度遮挡感知的遮挡行人重识别模型擦除遮挡后的行人特征；

S7：根据得到的行人特征构建模型的损失函数；

S8：将测试集中的数据输入到模型中，不断调整模型的参数，当损失函数值最小时完成模型的训练。

进一步的，多粒度特征提取器提取行人的特征包括：采用单帧提取器在不同阶段对数据进行提取，得到不同尺度的特征映射，将不同尺度的特征映射输入到不同分支前部的卷积层，每个分支前部的卷积层对不同尺度的特征映射进行调整，得到调整好的特征映射。

进一步的，根据特征映射计算注意力遮挡感知的过程包括：