一种基于统一划分的特征自适应行人再识别方法技术

本发明专利技术公开了一种基于统一划分的自适应行人再识别方法，包括以下步骤，构建DenseNet骨干网络作为特征提取的网络结构并进行优化和训练；提取网络全连接层之前的目标特征；对提取的所述目标特征进行统一划分；利用马氏距离均值判断划分后的相邻特征是否需要特征融合；对DenseNet提取的特征做切片划分之后，切片后的特征做池化并将池化后的相邻特征拼接，拼接之后再做一次池化；添加fc层对融合后的张量展开做全连接，所述fc层经过Softmax分类获取目标ID来预测行人的身份。本发明专利技术的有益效果：本发明专利技术在基于统一划分的自适应行人再识别方法中能够取得了最高的精度，表明其稳定性与有效性。

A feature adaptive pedestrian recognition method based on unified partition

【技术实现步骤摘要】
一种基于统一划分的特征自适应行人再识别方法
本专利技术涉及深度学习的
，尤其涉及一种基于统一划分的特征自适应行人再识别方法。
技术介绍
近年来深度学习方法由于其提取特征能力强和模型泛化能力优秀，受到学术界以及工业界的青睐。然而深度学习出现之初，虽然学习能力强，但是由于软硬件性能支撑有限，导致其应用范围受限。而随着卷积神经网络的出现，网络参数量大幅减少，计算机硬件性能大规模改善，深度学习方法近十几年得到了广泛的关注与发展。深度学习方法在模式识别方向上得到了大规模应用，并且取得了很好的效果。其中行人再识别作为模式识别中的一个方向，在安防、无人超市等领域应用需求的刺激下，得到了人们的关注，也取得了一定的发展。早期，行人再识别的发展仅局限于传统机器学习方法的应用，然而传统机器学习方法提取的特征泛化能力有限，识别率迟迟无法得到有效的提升。随着深度学习被应用于行人再识别(PersonRe-identification，Re-ID)，识别率在近年得到了大幅提高。与深度学习在人脸识别的应用不同，Re-ID并不依赖于人脸信息的学习，而更依赖人的姿态信息、颜色信息等等来识别行人ID。而行人姿态信息，在不同场景中，往往出现目标姿态偏差，目标遮挡等问题，这也为Re-ID任务带来了极大的挑战。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术解决的技术问题是：提供一种基于统一划分的自适应行人再识别方法，提高识别精度。为解决上述技术问题，本专利技术提供如下技术方案：一种基于统一划分的自适应行人再识别方法，包括以下步骤，构建DenseNet骨干网络作为特征提取的网络结构并进行优化和训练；提取网络全连接层之前的目标特征；对提取的所述目标特征进行统一划分；利用马氏距离均值判断划分后的相邻特征是否需要特征融合；对DenseNet提取的特征做切片划分之后，切片后的特征做池化并将池化后的相邻特征拼接，拼接之后再做一次池化；添加fc层对融合后的张量展开做全连接，所述fc层经过Softmax分类获取目标ID来预测行人的身份。作为本专利技术所述的基于统一划分的自适应行人再识别方法的一种优选方案，其中：所述网络结构的优化包括，将最后一层的pooling步长改为1*1，增加特征信息量；通过1*1卷积将得到的1664通道数特征改为2048通道数。作为本专利技术所述的基于统一划分的自适应行人再识别方法的一种优选方案，其中：利用所述Softmax函数对网络输出结果做优化分类训练，包括假设网络原始网络的输出为y1，y2，…，yn；经过Softmax回归处理后的输出为：通过交叉熵损失，计算预测概率分布与真实概率分布之间的距离。作为本专利技术所述的基于统一划分的自适应行人再识别方法的一种优选方案，其中：所述马氏距离计算过程为：其中S表示协方差矩阵，则由上述公式可以计算出相邻部位中对应点的马氏距离；再利用对应点的距离均值求出相邻特征距离大小，计算过程为：其中N表示常数8，M表示常数2，表示向量的组合数，即28。作为本专利技术所述的基于统一划分的自适应行人再识别方法的一种优选方案，其中：所述DenseNet骨干网络通过对TriHardloss及IDloss(分类损失)的联合训练，在部位特征识别的基础上，利用度量学习方法进一步挖掘数据集中的难样本。作为本专利技术所述的基于统一划分的自适应行人再识别方法的一种优选方案，其中：所述难样本的挖掘包括以下步骤，对于每一个训练batch挑选P个ID的行人；每个行人随机挑选K张不同的图片，即一个batch含有P×K张图片；对于batch中的每一张图片a，挑选一个最难的正样本和一个最难的负样本和a组成一个三元组；定义和a为相同ID的图片集为A，剩下不同ID的图片集为B；则难三元TriHard损失表示为：其中表示正样本与原样本之间的距离，表示负样本与原样本之间的距离，α是需要调整的参数，公式表示正样本与原样本+α的距离要大于负样本与原样本的距离。本专利技术的有益效果：本专利技术在基于统一划分的自适应行人再识别方法中能够取得了最高的精度，表明其稳定性与有效性。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为传统行人特征平均切片的示意图；图2为本专利技术相邻部位之间特征做融合的网络框架示意图；图3为本专利技术所述难三元损失的联合训练的示意图；图4为本专利技术所述原不包括联合训练的实验精度对比图；图5为本专利技术所述包括联合训练的实验精度对比表。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。本专利技术结合示意图进行详细描述，在详述本专利技术实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本专利技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。同时在本专利技术的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。本专利技术中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。<本文档来自技高网...

【技术保护点】
1.一种基于统一划分的自适应行人再识别方法，其特征在于：包括以下步骤，/n构建DenseNet骨干网络作为特征提取的网络结构并进行优化和训练；/n提取网络全连接层之前的目标特征；/n对提取的所述目标特征进行统一划分；/n利用马氏距离均值判断划分后的相邻特征是否需要特征融合；/n对DenseNet提取的特征做切片划分之后，切片后的特征做池化并将池化后的相邻特征拼接，拼接之后再做一次池化；/n添加fc层对融合后的张量展开做全连接，所述fc层经过Softmax分类获取目标ID来预测行人的身份。/n

【技术特征摘要】
1.一种基于统一划分的自适应行人再识别方法，其特征在于：包括以下步骤，
构建DenseNet骨干网络作为特征提取的网络结构并进行优化和训练；
提取网络全连接层之前的目标特征；
对提取的所述目标特征进行统一划分；
利用马氏距离均值判断划分后的相邻特征是否需要特征融合；
对DenseNet提取的特征做切片划分之后，切片后的特征做池化并将池化后的相邻特征拼接，拼接之后再做一次池化；
添加fc层对融合后的张量展开做全连接，所述fc层经过Softmax分类获取目标ID来预测行人的身份。


2.如权利要求1所述的基于统一划分的自适应行人再识别方法，其特征在于：所述网络结构的优化包括，
将最后一层的pooling步长改为1*1，增加特征信息量；
通过1*1卷积将得到的1664通道数特征改为2048通道数。


3.如权利要求1或2所述的基于统一划分的自适应行人再识别方法，其特征在于：利用所述Softmax函数对网络输出结果做优化分类训练，包括，
假设网络原始网络的输出为y1，y2，…，yn；
经过Softmax回归处理后的输出为：



通过交叉熵损失，计算预测概率分布与真实概率分布之间的距离。


4.如权利要求3所述的基于统一划分的自适应行人再...

【专利技术属性】
技术研发人员：宋晓宁，张德磊，冯振华，於东军，
申请(专利权)人：上海蠡图信息科技有限公司，
类型：发明
国别省市：上海;31