一种基于注意力机制的行人重识别方法技术

本发明专利技术提供了一种基于注意力机制的行人重识别方法，其特征在于，包括如下步骤：准备数据集，数据清洗、预处理以及数据增强；特征提取器的设计；特征优化器的设计；特征融合器的设计；特征分类器的设计；注意力机制在通道域上的设计；注意力机制在空间域上的设计；合成网络对输入数据进行训练；在上下文感知的基础上增加模态之间的特征感知，学习得到不同特征间的关联权重参数值，从而提高特征的有效区分能力；该方法达不仅较好地保留了低质量图像的细节信息，还提升了特征的表征能力，增强了网络行人识别任务的判别能力。

【技术实现步骤摘要】
一种基于注意力机制的行人重识别方法
本专利技术涉及目标检测
，尤其涉及一种基于注意力机制的行人重识别方法。
技术介绍
现代社会高速发展，社会安防措施和人们的安全意识与日俱增，监控技术的应用也渗透进生活的各个方面，不管是在人群密集的场所，还是在需要安保的场所，一般监控都是全方位覆盖。在监控领域，计算机通过监控摄像头来获取巨量的视觉信息，同时利用相关算法来完成识别任务。目标检测算法用于定位和识别监控视频中的行人、机动车、非机动车等目标。通过该算法完成监控任务，包括监控目标跟踪、行为识别和重识别等。考虑到单个摄像头覆盖范围有限，可以将多个摄像头联动，组合实现对目标跨摄像头的跟踪，行人重识别技术是实现多摄像头跟踪的重要技术之一。行人重识别技术用于识别不同视角下、不同监控拍摄的特定行人，给定由某个监控捕获的特定目标的图像，行人重识别系统在其他监控中重新识别该对象。表现出不同摄像头拍摄同一个目标的差异情况以及拍摄不同目标时在视觉上表现相似的情况，不同监控拍摄得到的画面可能存在光线、视角、姿态等变化以及遮挡等问题，不同摄像头由于视角和拍摄时间不本文档来自技高网...

【技术保护点】
1.一种基于注意力机制的行人重识别方法，其特征在于，包括如下步骤：/nS1、准备数据集，数据清洗、预处理以及数据增强；/nS2、特征提取器的设计；/nS3、特征优化器的设计；/nS4、特征融合器的设计；/nS5、特征分类器的设计；/nS6、注意力机制在通道域上的设计；/nS7、注意力机制在空间域上的设计；/nS8、合成网络对输入数据进行训练。/n

【技术特征摘要】
1.一种基于注意力机制的行人重识别方法，其特征在于，包括如下步骤：
S1、准备数据集，数据清洗、预处理以及数据增强；
S2、特征提取器的设计；
S3、特征优化器的设计；
S4、特征融合器的设计；
S5、特征分类器的设计；
S6、注意力机制在通道域上的设计；
S7、注意力机制在空间域上的设计；
S8、合成网络对输入数据进行训练。


2.根据权利要求1所述的基于注意力机制的行人重识别方法，其特征在于，所述步骤S1还包括：对收集到的数据样本进行清洗以及预处理，把图像序列以及光流序列全部缩小到128×256大小，然后以0.2的概率进行水平翻转来增强训练集。


3.根据权利要求1所述的基于注意力机制的行人重识别方法，其特征在于，所述步骤S2还包括：特征提取器提取模态的基本特征，光流输入模态经过特征提取器后获得特征X和特征F，然后输入到特征优化器进行后续处理，在提取特征时，通过叠加神经网络来增加网络深度，实现远距离的信息提取任务，越高层的卷积神经网络层具有更大的感受野，从而可以捕获更多图像特征信息。


4.根据权利要求1所述的基于注意力机制的行人重识别方法，其特征在于，所述步骤S3还包括：在网络架构中，所述特征优化器通过神经元的串联结构来捕捉视频序列流中的上下文信息，在感知信息的监督下，采用门结构的形式来学习权重参数，对模态数据进行优化处理，具体表现为：模态每一帧的信息都具有前后相邻帧中的连续信息以及模态的全局感知能力。


5.根据权利要求1所述的基于注意力机制的行人重识别方法，其特征在于，所述步骤S4还包括：特征融合器将特征优化器的输出特征沿着...

【专利技术属性】
技术研发人员：史扬艺，陈颖聪，黄坤山，
申请(专利权)人：佛山市南海区广工大数控装备协同创新研究院，
类型：发明
国别省市：广东;44