【技术实现步骤摘要】
基于衣物脱敏网络的多粒度换衣行人重识别方法
本专利技术涉及计算机视觉及深度学习领域，具体涉及一种基于衣物脱敏网络的多粒度换衣行人重识别方法。
技术介绍
行人重识别是利用计算机视觉技术判断视频监控所拍图像或者视频序列中是否存在特定行人的技术，旨在解决跨摄像头检索目标行人的问题，即指定一个特定的目标行人，检索跨设备下的该目标行人图像。行人重识别可与行人检测、行人跟踪技术等相结合，在城市规划、智能监控、安全监控等方面发挥重要作用。随着深度学习和神经网络技术的进步，行人重识别问题在计算机视觉领域获得更多关注。基于深度学习的行人重识别方法根据训练损失可以分为基于表征学习的方法和基于度量学习的方法。基于表征学习的方法是一类非常常用的行人重识别方法，它并没有直接在训练网络的时候考虑图片间的相似度，而把行人重识别任务当做分类问题或者验证问题来看待。这类方法的特点就是网络的最后一层全连接层输出的并不是最终使用的图像特征向量，而是经过一个Softmax激活函数来计算表征学习损失，前一层(倒数第二层)FC层通常为特征向量层。具体来讲，分类...
【技术保护点】
1.一种基于衣物脱敏网络的多粒度换衣行人重识别方法，其特征在于，包括如下步骤：/na)通过语义分割算法对预先获得的RGB图像进行语义分割，得到对应图像的部件语义分割图像，将得到的语义分割图作为一项标签输入网络，进行监督训练；/nb)将预先获得的RGB图像输入卷积神经网络，经卷积神经网络处理后预先获得的RGB图像由7×7的特征图表示，特征通道数为1024；/nc)使用8个不同权重的并列的卷积层对特征图进行卷积操作，在空间和通道上对特征图进行降维提特征处理，得到8个不同结果的高维度的特征图，使用reshape函数将8个高维度的特征图的对应通道连接起来，得到288个8维向量表示行人单一属性，通过公式
【技术特征摘要】
1.一种基于衣物脱敏网络的多粒度换衣行人重识别方法，其特征在于，包括如下步骤：
a)通过语义分割算法对预先获得的RGB图像进行语义分割，得到对应图像的部件语义分割图像，将得到的语义分割图作为一项标签输入网络，进行监督训练；
b)将预先获得的RGB图像输入卷积神经网络，经卷积神经网络处理后预先获得的RGB图像由7×7的特征图表示，特征通道数为1024；
c)使用8个不同权重的并列的卷积层对特征图进行卷积操作，在空间和通道上对特征图进行降维提特征处理，得到8个不同结果的高维度的特征图，使用reshape函数将8个高维度的特征图的对应通道连接起来，得到288个8维向量表示行人单一属性，通过公式使用非线性挤压函数对每个向量的长度进行标准化处理，为第k个8维向量，k∈[1,288]，通过公式计算由288个8维向量与权重矩阵wk相乘得到1024个24维向量为实数空间，通过公式对24维向量进行耦合计算，得到的耦合计算结果对每一个行人类别做对应的向量表示，每个行人类别数为N，n∈[1,N]，为耦合系数；
d)将步骤a)中的部件语义分割图像和步骤b)中的特征图输入部件语义对齐模块实现特征对齐，所述部件语义对齐模块包括反卷积层、归一化、激活函数、1×1的卷积层；
e)通过公式L＝λ1LID+λ2Ltriplet+λ3Lpart计算损失函数L，式中LID为分类损失，Ltriplet为三元组损失，Lpart为部件语义对齐损失，λ1、λ2、λ3为权重；
f)通过损失函数L优化深度学习模型用于行人特征提取，将给定的一张行人图像在优化后的深度学习模型中的测试集中检索得到同一身份的其他行人图像并返回排序列表。
2.根据权利要求1所述的基于衣物脱敏网络的多粒度换衣行人重识别方法，其特征在于：步骤a)中分割算法模型为DANet网络模型，将DANet网络模型在COCODensepose数据集上进...
【专利技术属性】
技术研发人员：高赞，魏宏伟，陈达，程志勇，舒明雷，聂礼强，王英龙，
申请(专利权)人：山东省人工智能研究院，
类型：发明
国别省市：山东;37
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。