【技术实现步骤摘要】
图像特征提取方法、行人重识别方法、装置和计算机设备
本申请涉及图像处理
，特别是涉及一种图像特征提取方法、行人重识别方法、装置和计算机设备。
技术介绍
随着人工智能技术的发展，越来越多的繁琐工作被机器所取代，比如Re-id(行人重试别)任务作为计算机视觉中的一个重要分支，在智慧城市、智慧交通等领域存在广泛应用。在这类任务中，一个移动目标可能先后出现在不同的摄像头中，该目标可以是一个人或是一辆车，通常需要利用计算机视觉的相关方法来判断不同摄像头中的两个目标是否属于同一个目标。而深度学习作为人工智能领域一个重要的分支，在图像和语音识别等领域已取得巨大的成功。其中，神经网络作为深度学习中的重要工具，已广泛应用于高校和企业中。截止目前，神经网络主要包含两种：卷积神经网络和循环(递归)神经网络，而前者主要应用于图像识别，后者主要应用于语音领域。因此，将深度学习应用于Re-id任务是目前的一种主流方法，一般通过对图片中的判别性特征进行提取来实现Re-id任务，而现有提取判别性特征的方法主要包括以下几种：(1)通过常...
【技术保护点】
1.一种图像特征提取方法，其特征在于，所述方法包括：/n构建自适应选择卷积核形状的基本模块，基于串联的多个基本模块得到深度学习的特征提取网络模型；/n基于行人样本图像集，采用前向传播算法训练所述深度学习的特征提取网络模型，直到模型参数收敛；/n采用训练后的深度学习的特征提取网络模型扫描输入图像，所述输入图像依次经过串联的多个基本模块，进行特征映射后得到所述输入图像的特征向量。/n
【技术特征摘要】
1.一种图像特征提取方法，其特征在于，所述方法包括：
构建自适应选择卷积核形状的基本模块，基于串联的多个基本模块得到深度学习的特征提取网络模型；
基于行人样本图像集，采用前向传播算法训练所述深度学习的特征提取网络模型，直到模型参数收敛；
采用训练后的深度学习的特征提取网络模型扫描输入图像，所述输入图像依次经过串联的多个基本模块，进行特征映射后得到所述输入图像的特征向量。
2.根据权利要求1所述的图像特征提取方法，其特征在于，所述构建自适应选择卷积核形状的基本模块，包括：
根据预设的多种卷积核形状建立第一卷积神经网络，所述第一卷积神经网络用于从输入数据中提取与预设的多种卷积核形状分别对应的多个分支的第一特征图；
在所述第一卷积神经网络之后接入第一融合层，通过所述第一融合层对所述多个分支的第一特征图进行特征融合以得到第二特征图；
在所述第一融合层之后接入第二卷积神经网络，利用所述第二卷积神经网络生成对所述第二特征图中每一个空间位置的分支权重，得到权重特征图；
在所述第二卷积神经网络之后接入分支拆分层，用于根据所述多个分支对所述权重特征图进行拆分，以得到与所述多个分支一一对应的分支权重值；
在所述分支拆分层之后接入加权计算层，用于根据所述多个分支一一对应的分支权重值以及多个分支的第一特征图计算得到加权后的多个第三特征图；
在所述加权计算层之后依次接入第二融合层、残差连接层和激活层，以得到自适应选择卷积核形状的基本模块，通过所述第二融合层对所述多个第三特征图进行特征融合，得到第四特征图，由所述残差连接层将所述第四特征图与所述输入数据进行残差连接，再经过激活层后得到所述输入数据的语义特征，所述语义特征为所述基本模块的输出。
3.根据权利要求2所述的图像特征提取方法，其特征在于，所述第一卷积神经网络包括预设的多种不同宽高比的卷积核。
4.根据权利要求2所述的图像特征提取方法，其特征在于，所述第二卷积神经网络采用大小为1*1的卷积核；所述利用所述第二卷积神经网络生成对所述第二特征图中每一个空间位置的分支权重，包括：
通过1*1的卷积核对所述第二特征图中每一个空间位置进行扫描，以生成每一个空间位置分别对应多个分支的分支权重，所述多个分支的分支权重之和为1。
5.根据权利要求2所述的图像特征提取方法，其特征在于，所述输入图像依次经过串联的多个基本模块进行特征映射后得到所述输入图像的特征向量，包括：
所述串联的多个基本模块中第一个基本模块的输入为所述输入图像，从第二个基本模块开始，所述基本模块的输入数据是前一个基本模块的输出，所述基本模块输出的语义特征是后一个基本模块的输入数据，则最后一个基本模...
【专利技术属性】
技术研发人员：周康明，戚风亮，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。