基于属性感知的高效行人重识别方法技术

本发明专利技术设计了一种基于属性感知的高效行人重识别方法，该方法采用Pytorch框架构建卷积神经网络。该方法以自适应加权属性注意模块构建属性学习分支，并指导全局识别分支和部分识别分支学习判别性特征，进而构建了一个高效的行人重识别网络。相比于同类别方法，本方法学习鲁棒的行人属性信息，提出了一种新的设计方案，通过自适应加权感知学习获得细粒度的属性局部信息，提高了特征的判别性，进而提高了预测准确率，同时通过属性感知学习获得的属性注意掩膜指引网络学习鲁棒性的特征，提高了网络的性能。

【技术实现步骤摘要】
基于属性感知的高效行人重识别方法
本专利技术可以应用于行人重识别领域，以Pytorch作为卷积神经网络的搭建框架，构建多分支结构以实现对行人图像的检索。
技术介绍
行人重识别是利用图像处理技术在视角不相交的相机拍摄的图像或视频序列中检索特定行人的技术，一直以来是计算机视觉领域的研究热点，广泛应用于智能视频分析和智能安保等领域。目前，基于监控网络的应用主要以人工分析从视频监控信息流中提取有效性息。面对大型监控网络产生的海量视频序列时，人工分析存在着低准确率和低效率等缺点，因此，基于计算机视觉的自动化技术逐渐成为大型监控网络下数据分析的高效手段。但传统的行人重识别算法依赖手工设计的特征，这些特征通常是低级的颜色和纹理特征，无法包含高级的语义信息，这给学习判别性特征表示带来了限制。随着深度学习在计算机视觉领域的兴起，卷积神经网络开始在图像处理方向广泛应用并取得了巨大的成功。卷积神经网络学习输入与输出之间的映射关系，具有非常强的特征提取能力，特别适合于分类任务和检索任务，这对于行人重识别这类检索任务的快速发展带来了推动作用。早期基于深度本文档来自技高网...

【技术保护点】
1.一种基于属性感知的高效行人重识别方法，其特征在于：基于主干网络构建了一个多分支网络模型，包括属性学习分支以及全局识别分支和部分识别分支，其中，/n所述属性学习分支，用于属性感知任务学习和执行属性识别任务；/n所述全局识别分支，用于执行全局图像级身份分类任务；/n所述部分识别分支，用于消除空间未对齐和背景杂乱影响，执行部分级身份分类任务；/n首先加载一个在ImageNet上预先训练的主干网络模型参数权重，接着对行人重识别数据集中训练图像进行图像预处理，然后用于训练多分支网络模型；对于查询的图像和图库图像，首先做图像预处理转化为用于计算的张量数据，然后输入到训练过的多分支网络模型中提取有效的特...

【技术特征摘要】
1.一种基于属性感知的高效行人重识别方法，其特征在于：基于主干网络构建了一个多分支网络模型，包括属性学习分支以及全局识别分支和部分识别分支，其中，
所述属性学习分支，用于属性感知任务学习和执行属性识别任务；
所述全局识别分支，用于执行全局图像级身份分类任务；
所述部分识别分支，用于消除空间未对齐和背景杂乱影响，执行部分级身份分类任务；
首先加载一个在ImageNet上预先训练的主干网络模型参数权重，接着对行人重识别数据集中训练图像进行图像预处理，然后用于训练多分支网络模型；对于查询的图像和图库图像，首先做图像预处理转化为用于计算的张量数据，然后输入到训练过的多分支网络模型中提取有效的特征表示，最后计算查询的图像和图库图像之间的特征距离，按照距离对图库图像进行排序，排序越靠前表示相似率越高。


2.根据权利要求1所述的基于属性感知的高效行人重识别方法，其特征在于：所述主干网络为ResNet或SENet。


3.根据权利要求1所述的基于属性感知的高效行人重识别方法，其特征在于：所述属性识别分支具体包括，
属性学习分支由属性特征提取器和自适应加权属性注意模块组成，感知学习行人属性语义信息并执行属性识别任务；属性特征提取器提取属性特征，它是由三层卷积构成的瓶颈层，第一层和第三层是一个步长为1的1×1卷积层，第二层是一个步长为1的3×3卷积层；自适应加权属性注意模块由两组功能不同的卷积核为1×1卷积和Sigmoid层组成，第一组的功能是通过卷积和Sigmoid操作学习自适应加权矩阵，第二组的功能是通过公式(1)来聚集特征进而获得pooling特征；具体的：对于由属性特征提取器提取到的特征F∈RC×H×W，其中C，H和W分别表示特征图的通道，高度和宽度，首先使用卷积核为1×1，步长为1且输出通道为4的卷积层将其转换到潜在空间，转换后的特征维数为R4×H×W；然后，通过Sigmoid层对其进行归一化，并将其分解为四个自适应加权属性注意掩模矩阵{Mi∈R1×H×W}，i＝1，2，3，4，四个自适应加权属性注意掩膜矩阵分别对应性别，头部，上半身和下半身，它专注于不同的属性局部区域，通过它们获得清晰的属性语义，因此，将特征图F分别乘以四个自适应加权属性注意掩模矩阵，以获得四个属性注意表示{Ei∈RC×H×W}，i＝1，2，3，4；然后，通过自适应加权特征统计取代平均池统计来重新分配通道特征响应，首先，对属性注意表示Ei使用卷积运算获得矩阵{Wi∈RC×H×W}，i＝1，2，3，4，然后使用Sigmoid层对其进行归一化，通过公式(1)获得池化的属性特征：



通过自适应加权属性注意掩膜模块获得精细化属性特征Ai；接着，输入属性特征Ai到线性层减小特征维度以获得最终属性特征，最后，将降维后得到最终属性特征送到相应的属性分类器以进行属性分类。


4.根据权利要求3所述的基于属性感知的高效行人重识别方法，其特征在于：所述全局识别分支具体包括，
首...

【专利技术属性】
技术研发人员：种衍文，冯文强，潘少明，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42