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