一种面向遮挡场景的行人再识别方法技术

本发明专利技术公开了一种面向遮挡场景的行人再识别方法，通过向全局特征分支引入全局对比池化模块，将平均池化和最大池化的特性进行融合，提取对背景噪声和遮挡抗干扰性更强的全局特征；向局部特征分支引入One

【技术实现步骤摘要】
一种面向遮挡场景的行人再识别方法


[0001]本专利技术涉及一种行人再识别方法，尤其涉及一种面向遮挡场景的行人再识别方法。

技术介绍

[0002]行人再识别是计算机视觉领域热门而又复杂的研究课题。给定一张待查询的特定行人图像，利用计算机视觉技术判断其他非重叠摄像机下是否存在该特定行人，很大程度上弥补了单个固定摄像机的视觉局限性，通常与行人检测、行人跟踪等技术相结合，应用于模式识别等领域。
[0003]相较于传统的行人再识别方法，基于深度学习的行人再识别方法通过自动学习和简单的相似性度量便能够提取到更具判别力的特征描述，取得更好的性能。但是，在实际应用场景中，行人再识别技术面临种种问题：1.摄像机角度、位置造成拍摄的行人姿态多变；2.拍摄距离造成的行人图像分辨率变化； 3.图像域变化带来的跨模态再识别；4.遮挡。其中，遮挡场景下，摄像机所拍摄图像中的行人往往会被一些障碍物(如行李、柜台、人群、汽车、树木)遮挡，或者由于行人身体部分区域走出了摄像机拍摄范围而造成遮挡，导致行人图像包含的辨别信息减少，同时受到遮挡部分的噪声干扰，使得目标行人很本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向遮挡场景的行人再识别方法，其特征在于：该方法包括以下步骤：步骤S1：借助预训练的姿态估计器生成人体关键点，结合全局特征使模型更加关注未被遮挡的行人区域，减少遮挡区域带来的噪声干扰；步骤S2：引入全局对比池化模块，降低背景杂波和遮挡带来的噪声干扰，更好地表达整个行人身体区域信息；步骤S3：通过One
‑
vs
‑
rest关系模块对局部分块特征进行更深层次的特征提取，使得每个局部层次的特征都包含相应部分本身和其他身体部分的信息，更好地反映各身体部分间的关系；步骤S4：采用多种损失函数联合训练的方式对模型进行监督，使模型确保预测标签准确性的同时考虑类间离散性和类内紧凑性。2.根据权利要求1所述的面向遮挡场景的行人再识别方法，其特征在于：所述步骤S1具体包括以下步骤：步骤S11：输入一张行人图片即原始图片，通过预训练的姿态估计器生成人体关键点M
i
、各关键点对应的坐标(x
i
,y
i
)和置信度步骤S12：通过过滤机制，去除置信度较低的关键点，即将置信度大于阈值θ的关键点坐标保留，将置信度小于阈值θ的关键点坐标剔除，其中，过滤机制如公式1所示：其中，M
i
、(x
i
,y
i
)和分别表示第i个关键点以及该点对应的坐标和置信度，θ表示过滤机制中的阈值，N表示关键点的个数；步骤S13：将关键点映射到原始图片上生成热度图，经过双线性插值方法进行下采样之后，与全局特征结合形成姿态引导特征；步骤S14：将经过平均池化、最大池化所得到的姿态引导特征与局部特征分支中平均池化后的全局特征进行拼接，并经过全连接层降维；步骤S15：通过全连接层和softmax层对提取到的全局特征进行标签预测。3.根据权利要求1所述的面向遮挡场景的行人再识别方法，其特征在于：所述步骤S2具体包括以下步骤：步骤S21：将局部分块特征P1～P6经过全局最大池化和全局平均池化得到P
max
和P
avg
，二者做减法，获得差异性特征P
cont
，计算过程如公式2所示：P
cont
＝P
max
‑
P
avg
ꢀꢀꢀꢀ
公式2步骤S22：P
max
和P
cont
两部分特征分别经过一个由1
×
1卷积层、BN归一化层和ReLU激活函数层构成的子网络进行降维，得到特征和二者拼接后再次输送到一个子网络中从2c维降为c维，最后与相加得到具有代表性的全局特征Q0，具体实现过程如公式3
所示：其中，Q0表示全局对比特征，CBR表示由1
×
1卷积层、BN归一化层和ReLU激活函数层构成的子网络，Concat(
·
)表示拼接操作。4.根据权利要求1所述的面向遮挡场景的行人再识别方法，其特征在于：所述步骤S3具体包括以下步骤：步骤S31：以P
i
为例，对P
i
之外的其他局部特征P
j
进行全局平均池化得到R
i
，计算过程如公式4所示：其中，P
j
表示除了第i部分局部...

【专利技术属性】
技术研发人员：王蓉，孙义博，张文靖，
申请(专利权)人：中国人民公安大学，
类型：发明
国别省市：