【技术实现步骤摘要】
一种多分支的行人重识别方法和系统
[0001]本专利技术涉及机器学习
，具体涉及一种多分支的行人重识别方法和系统。
技术介绍
[0002]随着城市电子信息的快速发展，视频监控分析已经成为新一代调查取证的主要手段之一。行人重识别技术是进行视频分析的一种十分关键的技术，主要是指给定一个摄像头拍摄的行人图像，一方面要判断该行人目标是否还会在该摄像头监控区域内再次出现；另一方面还要判断该行人目标是否会在其他多个摄像头监控的区域内出现，然后根据包含行人目标的摄像头位置定位该行人目标的位置，广泛被认为是一个图像检索的子问题。例如给定一个行人图像，检测跨设备下的该行人图像和运动轨迹，由于现实场景的复杂性，行人重识别存在着许多不同的挑战，主要包括姿势和衣服的巨大变化、严重遮挡、背景杂乱等。
[0003]行人重识别任务可以分为特征提取和度量学习两个过程，特征提取是获取稳健且具有高判别性的视觉特征；度量学习主要是使用不同的度量标准计算所提取行人特征向量的相似度，使同类样本的特征向量比非同类样本的特征向量更接近。为了能够提取更有区别...
【技术保护点】
【技术特征摘要】
1.一种多分支的行人重识别方法，其特征在于，所述方法包括：获取基于残差神经网络的多分支网络，所述多分支网络包括：依次连接的多个中间卷积层和末端卷积层，一个和/或多个中间卷积层提取的特征进入分支，并进入下游操作，下游操作包括：对进入分支的特征进行池化和分割后，进行点卷积化操作，获得多个分割特征，末端卷积层提取的特征进行池化操作后，进行点卷积化操作，获得末端特征，所述末端特征与分割特征进行融合，获得识别特征；基于所述多分支网络，训练识别模型；根据所述识别模型，对行人图像和待识别图像进行特征识别；根据识别特征的相似度，进行行人重识别。2.根据权利要求1所述的行人重识别方法，其特征在于，所述中间卷积层包括第三卷积层和第四卷积层，所述末端卷积层包括第五卷积层，所述分支包括第二分支，第三卷积层、第四卷积层和末端卷积层依次连接；第五卷积层删除下采样操作后，作为第二分支的第六卷积层；所述第四卷积层提取的特征送入所述第六卷积层进行特征提取，获得第六特征；所述第六特征经过池化操作进行分割后，进行点卷积化，获得多个第一分割特征。3.根据权利要求2所述的行人重识别方法，其特征在于，所述分支还包括第三分支，第三分支中，所述第三卷积层提取的第三特征和第四卷积层提取的第四特征融合后，依次进行池化操作、分割和点卷积化操作，获得多个第二分割特征；将所述第一分割特征、第二分割特征和末端特征进行融合，获得识别特征。4.根据权利要求3所述的行人重识别方法，其特征在于，还包括分支间的特征融合方法：第四特征通过上采样操作或插值操作后，与第三特征融合，获得过程特征；过程特征经卷积操作后，与第四特征融合，获得进入第三分支的第三融合特征；第三融合特征经池化操作后，与第六卷积层提取的特征融合，获得进入第二分支的第二融合特征；第二融合特征经池化操作后，与末端卷积层提取的特征融合，获得进入主分支的第一融合特征。5.根据权利要求4所述的行人重识别方法，其特征在于，还包括语义监督的方法：所述多分支网络包依次连接的第一卷积层、第二卷积层和第三卷积层；所述第一卷积层、第二卷积层和第三卷积层提取的特征分别为feat0、feat1、feat2；feat2卷积操作和上采样操作后，与feat1融合，获得特征de_feat1；de_feat1卷积操作和上采样操作后，与feat0融合，获得特征de_feat0；de_feat0卷积操作和上采样操作后，获得与行人图像大小一致的特征de_feat；根据分割模型，获得行人图像的前景掩模图；利用交叉熵损失函数计算de_feat和前景掩模图之间的损失；根据所述损失，监督特征的提取。6.根据权利要求5所述的行人重识别方法，其特征在于，所述卷积操作的卷积块包括核为3x3大小的卷积、BN层和ReLU激活函数；
第三分支中，第三融合特征经卷积核为8
×
8的池化操作进行水平分割，获得多个第二分割块；第二分割块经过1x1的点卷积层后，获得256维的多个第二分割特征；第二融合特征经卷积核为12
×
8的池化操作进行水平分割后，获得多个第一分割块；第一分割...
【专利技术属性】
技术研发人员：何东之，王鹏飞，孙亚茹，张震，郭隆杭，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：
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。