[发明专利]一种基于多尺度特征切割与融合的行人重识别方法

摘要

本发明提供了一种基于多尺度特征切割与融合的行人重识别方法，具体提供一种基于多尺度深度特征切割与融合的行人重识别网络训练及基于该网络的行人重识别方法，通过多尺度全局描述子提取和局部描述子提取，进行行人重识别。全局描述子的提取是对深度网络不同层的特征图进行平均池化和特征融合，局部描述子的提取是将深度网络最深层特征图水平分割成数块，分别提取各块特征图对应的局部描述子。训练中以最小化平滑交叉熵代价函数以及难样本采样三元组代价函数为目的训练网络参数。采用本发明技术方案，能够解决行人重识别中由于行人姿势变化、摄像头色偏等因素带来的特征不匹配问题，还能消除背景带来的影响，以提高行人重识别的鲁棒性和精度。

主权项

1.一种基于多尺度特征切割与融合的行人重识别方法，首先训练深度卷积神经网络，然后对于定义的检索集与候选集给定检索集从候选集中检索出与检索集特征距离接近的行人图片，其特征在于，所述的方法包括以下步骤：S1、训练数据预处理及数据增强，对训练数据进行RGB三通道归一化和随机翻转；S2、提取全局描述子，通过提取深度网络不同尺度的特征图中的信息，进行特征融合得到全局描述子，过程如下：S2.1、将图像输入到网络的全局分支，得到不同层的多通道特征图；S2.2、对得到的多通道特征图进行池化操作，得到多尺度描述子；S2.3、将多尺度描述子进行特征融合，得到全局描述子；S3、提取局部描述子，通过对网络最后一层的特征图进行分割，获取分块特征图信息，进而降维得到局部描述子，过程如下：S3.1、将图像输入到网络的局部分支，得到末层的多通道特征图；S3.2、对得到的特征图进行分割并池化，得到多个局部描述子；S3.3、对多个局部描述子进行降维操作，减少描述子冗余；S3.4、将多个局部描述子按顺序连接起来，得到局部描述子；S4、训练网络，对全局和局部描述子，以最小化平滑交叉熵代价函数以及难样本采样三元组代价函数为目的训练网络参数训练全局和局部分支；S5、行人重识别，训练直至收敛后，根据提取到的全局描述子和局部描述子，采用度量学习方法计算图像的相似性，由此进行行人重识别。