[发明专利]一种基于监控场景下的跨场景多摄像头行人重识别算法

权利要求书

1.一种基于监控场景下的跨场景多摄像头行人重识别算法，其特征在于：包括以下步骤：

步骤一：增加数据规模大小，提升模型泛化能力；

步骤二：标注现场测试评估数据，通过构造一个高效行人半自动化标注工具，制作模型评估数据；

步骤三：构建训练网络，采用残差网络作为主干网络，通过多粒度头部网络融合全局特征和多粒度局部特征；

步骤四：融合度量学习和分类学习，添加度量损失函数和分类损失函数,同时训练网络；

步骤五：添加开源行人图片测试集和实际场景测试图片测试集；

步骤六：添加多模态训练图片数据，在图片训练处理过程中按照一定的比例对数据进行迁移操作；

步骤七：更新模型权重，采用Adam优化器更新模型的参数，采用余弦学习率衰减，训练60轮，10轮测试保存一次最佳模型；

步骤八：利用保存的模型对现场环境测试搜索。

2.根据权利要求1的一种基于监控场景下的跨场景多摄像头行人重识别算法，其特征在于：步骤一数据规模大小增加方式具体为：整合现有的行人跟踪数据集和行人重识别数据集，丰富训练图片，并且利用大量的游戏人物数据增加输入数据的多样性。

3.根据权利要求2的一种基于监控场景下的跨场景多摄像头行人重识别算法，其特征在于：步骤二过程中，行人半自动化标注工具的构造流程包括如下步骤：

(1)根据现场环境选择具有多摄像头行人较多的街道，保存同一时间段多个相机的行人视频，利用行人检测跟踪得到较为准确行人图片；

(2)通过reid模型提取所有图片特征；

(3)对特征进行聚类重新得到分类id图片文件夹；

(4)进行数据的人工清洗。

4.根据权利要求3的一种基于监控场景下的跨场景多摄像头行人重识别算法，其特征在于：多粒度头部网络包括三个分支，接在主干网络的后面，对模型提取的特征进行不同方位的切片，以获取不同部位的细节特征，用于整体特征和局部特征融合拼接。

5.根据权利要求1～4任一的一种基于监控场景下的跨场景多摄像头行人重识别算法，其特征在于：分类损失函数circle loss的表达式为：

其中，Sn表示类内相似度、Sp表示类间相似度，K，L分别表示K个类内相似度和L个类间相似度，α_n和α_p是独立的权重因子，γ是缩放因子；

度量损失函数triplet loss的表达式为：

l_tri＝max(||x_a-x_p||-||x_a-x_n||+α，0)

其中，a为一个常量，Xa，Xp，Xn分别表示三张图片特征向量的数值。

6.根据权利要求5的一种基于监控场景下的跨场景多摄像头行人重识别算法，其特征在于：多模态训练图片包括：红外迁移图片，光照迁移图片，特定场景背景光迁移图片，不同分辨率图片。

7.根据权利要求6的一种基于监控场景下的跨场景多摄像头行人重识别算法，其特征在于：步骤八过程中，现场环境测试搜索的具体方式为：首先提取所有待搜索的行人图片，部署特征向量相似性搜索引擎milvus运行环境，将特征向量插入到milvus数据库中，修改相关参数，快速搜索待查询图片在底库中前100名图片的正确率。