一种基于视角引导多重对抗注意力的行人重识别方法技术

本发明专利技术公开了一种基于视角引导多重对抗注意的行人重识别方法，属于监控视频检索技术领域。本发明专利技术通过引入视角引导的注意力机制和多重对抗学习实现跨视角行人重识别效果的提升。首先，以对抗的方式使用视角信息对注意力机制的学习进行监督，在进行直接监督的同时使生成的注意力图能够抗视角变化。其次，在基础特征学习模型中引入多重对抗约束，进一步增强特征的视角不变性，从而使最终学习到的特征更强健。本发明专利技术提出的模型的有效性在Market1501和DukeMTMC‑ReID数据集上都得到了证明。同时本发明专利技术提出的模型易于集成到现有的行人重识别模型，并进一步有效的提升性能。

【技术实现步骤摘要】
一种基于视角引导多重对抗注意力的行人重识别方法
本专利技术属于监控视频检索
，具体地涉及一种基于视角引导多重对抗注意力的行人重识别方法。
技术介绍
近些年，行人重识别广泛应用于行人追踪和刑侦搜索等方面。行人重识别技术就是在跨摄像头的条件下，将不同地点，不同时间出现的相同的行人联系起来。行人重识别方法主要结合计算机视觉技术对行人进行特征学习，并设计合适的度量进行特征匹配。学习鲁棒的特征对提升行人重识别算法的性能十分重要，而行人的姿态变化，摄像头视角变化，背景遮挡，光照变化以及图像分辨率变化等都会造成特征失真。因此，如何学习强健的能够抗各种变化的特征是目前行人重识别问题的研究热点。目前主流的行人重识别算法都基于深度学习网络框架，深度学习将行人特征学习与度量结合形成端到端的网络，大幅提升了行人重识别算法的性能。深度卷积神经网络的基本训练和测试步骤如下：1、准备数据，将数据集分为训练集和测试集。2、将训练集的数据放入深度卷积神经网络进行训练，其中包括，基础网络的构建，三元组的构建，损失优化等。<br>3、使用训练好本文档来自技高网...

【技术保护点】
1.一种基于视角引导多重对抗注意的行人重识别方法，其特征在于，包括以下步骤：/n步骤1、构建深度卷积神经网络/n深度卷积神经网络主要包括特征学习模块，多重对抗模块，视角引导注意力机制模块；所述的多重对抗模块在特征学习模块的基础网络每个阶段后接一个全局池化层和视角鉴别器；视角引导注意力机制模块主要为注意力图生成器和视角鉴别器；/n步骤2、深度卷积神经网络的训练/n1)、数据的准备：准备行人图片，输入行人图片和对应的id标签，将其划分为两部分作为训练图片和测试图片；/n2)、将训练图片送入深度卷积神经网络进行训练，包括特征学习，多重对抗模块学习，视角引导注意力机制学；/n3)、网络优化及参数更新/...

【技术特征摘要】
1.一种基于视角引导多重对抗注意的行人重识别方法，其特征在于，包括以下步骤：
步骤1、构建深度卷积神经网络
深度卷积神经网络主要包括特征学习模块，多重对抗模块，视角引导注意力机制模块；所述的多重对抗模块在特征学习模块的基础网络每个阶段后接一个全局池化层和视角鉴别器；视角引导注意力机制模块主要为注意力图生成器和视角鉴别器；
步骤2、深度卷积神经网络的训练
1)、数据的准备：准备行人图片，输入行人图片和对应的id标签，将其划分为两部分作为训练图片和测试图片；
2)、将训练图片送入深度卷积神经网络进行训练，包括特征学习，多重对抗模块学习，视角引导注意力机制学；
3)、网络优化及参数更新
步骤3、深度卷积神经网络的测试
使用训练好的网络对测试图片进行特征提取，使用欧式距离对query与gallery中的图片进行特征匹配。


2.根据权利要求1所述的方法，其特征在于：所述特征学习模块采用ResNet50结构，包括IDE/PCB模型、AGW模型和Fast-reid模型，该三种模型均使用其自身的三元组损失和分类损失进行身份监督。


3.根据权利要求2所述的方法，其特征在于：特征学习模块网络输出为2048维的特征向量。


4.根据权利要求2所述的方法，其特征在于：
步骤2中多重对抗模块学习为：在原始特征学习网络的每一个残差块上加入...

【专利技术属性】
技术研发人员：杜博，刘方驿，叶茫，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42