一种多分支细粒度特征融合的行人重识别方法技术

本发明专利技术涉及一种多分支细粒度特征融合的行人重识别方法，属于计算机视觉领域，包括以下步骤：获取行人数据并进行数据预处理，采用残差网络建立行人特征提取网络；构建行人重识别网络的全局分支、局部分支、局部关联分支；采用行人重识别网络的全局分支、局部分支、局部关联分支分别提取全局特征、局部特征、局部关联特征；将所述全局特征、局部特征、局部关联特征在通道维度拼接，作为行人的外观特征表示；将待查询行人与查询库中的行人特征向量计算欧式距离，按照相似度进行排序，得到与待查询行人最相似的行人。本发明专利技术设计了一种多分支细粒度特征融合重识别方法，通过融合全局和局部特征，使得行人重识别网络提取的特征具有更强的分辨能力。的分辨能力。的分辨能力。

【技术实现步骤摘要】
一种多分支细粒度特征融合的行人重识别方法


[0001]本专利技术属于计算机视觉领域，涉及一种多分支细粒度特征融合的行人重识别方法。

技术介绍

[0002]行人重识别是指在监控视频中检索出与待查询行人具有相同身份的行人图像。随着计算机视觉技术的不断发展，行人重识别技术开始应用于视频监控、智能交通场景中。然而实际应用场景中存在相机角度、行人姿态、光照变化，导致提取的特征鲁棒性较低，影响重识别准确率。
[0003]目前行人重识别主要分为基于全局特征的方法和基于局部特征的方法。基于全局特征的方法可以提取全局语义信息，但是容易忽略细粒度特征。基于局部特征的方法通过将行人身体部位划分为多个部分，从而学习各个局部区域的显著性特征。基于全局特征与局部特征的融合的方法考虑了局部和全局语义信息，但没有考虑到特征之间的关联性。因此，本文提出一种多分支细粒度特征融合的行人重识别方法，通过融合全局和局部特征，并学习局部特征之间的关联性，以提升行人重识别性能。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种多分支细粒度特征融合的行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多分支细粒度特征融合的行人重识别方法，其特征在于：包括以下步骤：S1：获取行人数据集，分为训练集、测试集、查询集，并进行数据预处理，包括数据归一化、随机擦除、水平翻转；S2：利用残差网络ResNet建立特征提取网络，提取行人高阶特征；S3：构建行人重识别网络的全局分支、局部分支、局部关联分支；S4：训练行人重识别网络；S5：采用行人重识别网络的全局分支进行全局特征提取，获得全局特征；S6：采用行人重识别网络的局部分支进行局部特征提取，获得局部特征；S7：采用行人重识别网络的局部关联分支进行局部关联特征提取，获得局部关联特征；S8：将所述全局特征、局部特征、局部关联特征在通道维度拼接，作为行人的外观特征表示，将待查询行人与查询库中的行人特征向量计算欧式距离，按照相似度进行排序，得到与待查询行人最相似的行人。2.根据权利要求1所述的多分支细粒度特征融合的行人重识别方法，其特征在于：步骤S2所述利用残差网络建立特征提取网络，提取行人高阶特征，具体包括：采用残差网络的conv1、conv2_x、conv3_x、conv4_x建立特征提取网络，conv1只包含7x7卷积和最大池化，conv2_x、conv3_x、conv4_x均为残差结构，最后生成行人的高阶特征。3.根据权利要求1所述的多分支细粒度特征融合的行人重识别方法，其特征在于：步骤S5所述采用行人重识别网络的全局分支进行全局特征提取，获得全局特征，具体包括：所述全局分支包括残差网络的conv5_x残差模块和降维操作，高阶特征经过conv5_x后进行全局平均池化得到一维特征向量，并利用1
×
1卷积、批归一化、ReLU激活函数，对特征做降维处理。4.根据权利要求1所述的多分支细粒度特征融合的行人重识别方法，其特征在于：步骤S6所述采用行人重识别网络的局部分支进行局部特征提取，获得局部特征，具体包括：所述局部分支包括残差网络的conv5_x和特征切分模块，高阶特征经过conv5_x后对特征进行水平分割得到k个局部特征图，k个局部特征图经过全局平均池化后在通道维度进行拼接，并利用1
×
1卷积、批归一化、ReLU激活函数，对特征做降维处理。5.根据权利要求1所述的多分支细粒度特征融合的行人重识别方法，其特征在于：步骤S7所述采用行人重识别网络的局部关联进行局部关联特征提取，获得...

【专利技术属性】
技术研发人员：雒江涛，纵荣光，任媛，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：