[发明专利]深度多视图特征距离学习的行人重识别方法

摘要

深度多视图特征距离学习的行人重识别方法，具体按照以下步骤实施：步骤1，提取区域特征向量；步骤2，区域划分，先根据步骤1中得到的图像的所有特征向量，通过归一化算法l2范数归一化；再通过加和的方式表现图像的矢量集合，之后再对图像表示进行l2范数归一化处理；一幅图像划分为N个区域，得到深度区域聚合特征；步骤3，LOMO特征提取，对于参考集和测试集中的行人图像分别提取传统LOMO特征；步骤4，多视图特征距离学习，从深度区域聚合特征和LOMO特征两个角度出发，两个特征分别通过度量方法XQDA训练获得两个距离；步骤5，加权融合策略，对于步骤4得到的两个距离通过参数加权融合获得最终距离，并根据最终距离得到匹配的等级；能明显提高行人重识别的鲁棒性；提高行人重识别的性能。

主权项

1.深度多视图特征距离学习的行人重识别方法，其特征在于，包括以下步骤实施：步骤1，提取区域特征向量，使用微调的Resnet‑50模型提取图像的三维卷积特征，设计不同尺度的滑框，滑框技术被运用到通过网络得到的激活映射的长宽截面上，对得到的卷积层的激活应用各种尺度的滑动窗口，并提取所有区域块中的特征向量，并将所有区域块中的特征向量聚合得到图像的聚合特征向量；步骤2，区域划分，先根据步骤1中得到的图像的聚合特征向量，通过归一化算法l₂范数归一化；再通过加和的方式表现图像的矢量集合，之后再对图像表示进行归一化算法l₂范数归一化处理；最终一幅图像划分为N个区域，得到深度区域聚合特征；步骤3，LOMO特征提取，对于参考集和测试集中的行人图像分别提取传统LOMO特征；步骤4，多视图特征距离学习，从深度区域聚合特征和LOMO特征两个角度出发，两个特征分别通过度量方法、交叉视图二次判别方法训练获得两个距离；步骤5，加权融合策略，对于步骤4得到的两个距离通过参数加权融合获得最终距离，并根据最终距离得到匹配的等级。