【技术实现步骤摘要】
一种基于特定模态特征补偿的跨模态行人重识别方法
[0001]本专利技术属于图像处理、模式识别
,特别涉及一种基于特定模态特征补偿的跨模态行人重识别方法。
技术介绍
[0002]行人重识别技术能够在不同相机的视野下找到相同身份的目标行人。随着智慧城市、安全城市的建立,视频监控广泛普及,行人重识别技术广泛应用于智能视频监控、安保、刑侦等领域,是当前计算机视觉领域的一项热门的研究课题。现有的行人重识别技术主要集中在可见光下的行人重识别,但可见光相机在黑暗情况下无法捕获有效的行人信息,因此许多新型摄像头在夜间会自动转换为红外摄像头从而捕获有效的行人信息。在这种情况下,跨模态行人重识别技术被提出,旨在通过匹配不同相机下的可见光图像和红外图像寻找同一身份的行人,实现跨模态行人重识别。
[0003]跨模态行人重识别不仅受到光照变化、行人姿态变化、拍摄视角变化和外界遮挡等因素的影响,导致同一行人在不同镜头下存在较大的外观差异。此外,由于成像原理的不同,可见光图像和红外图像存在严重的模态差异。因此,消除模态差异是跨模态行人重识别面临的重要挑战。
[0004]现有消除模态差异的方法主要是基于共享模态特征学习的方法。即使用共享网络提取可见光图像和红外图像的模态无关特征来进行跨模态行人匹配。然而,特定模态信息对于行人重识别有重要的价值,仅仅使用模态无关特征却忽略了特定模态信息,这会限制行人特征的表征能力从而阻碍跨模态行人重识别的性能。
技术实现思路
[0005]为了克服上述现有技术的缺点,本专利技术的目 ...
【技术保护点】
【技术特征摘要】
其中,L
recons
是定义可见光行人图像或红外行人图像与生成的可见光行人图像G
I2G
(X
G
)或红外行人图像G
G2I
(X
I
)之间的重构损失函数;L
cyc
是定义可见光行人图像或红外行人图像与生成的可见光行人图像G
I2G
[G
G2I
(X
G
)]或G
G2I
[G
I2G
(X
I
)]之间的循环一致损失函数;和分别表示可见光行人图像和红外行人图像的身份损失函数,L
ID
表示和的身份损失之和;和分别使用交叉熵损失函数作为可见光行人图像和红外行人图像的身份损失函数,其中,和分别是可见光行人图像和红外行人图像的预测得分,y是真实的行人身份标签;||
·
||1表示L1范数;基于风格转换的生成网络和判别网络的目标函数L1为:L1=L
ID
+λ1L
recons
+λ2L
cyc
+λ3L
gan
其中,λ1、λ2和λ3为加权系数。6.根据权利要求5所述基于特定模态特征补偿的跨模态行人重识别方法,其特征在于,生成的跨模态的配对行人图像为和其中,表示可见光行人图像和其对应生成的红外行人图像,表示红外行人图像和其对应生成的可见光行人图像。7.根据权利要求5所述基于特定模态特征补偿的跨模态行人重识别方法,其特征在于,所述融合特征为原始图像和生成图像的融合特征,通过基于注意力机制的配对图像特征融合方法获取,方法如下:(1)使用四个独立ResNet50提取到四种不同类型的特征F
V
、F
I
和分别表示可见光行人图像特征、生成红外行人图像特征、红外行人图像特征和生成可见光行人图像特征;所述原始图像为可见光行人图像或红外行人图像,所述生成图像为红外行人图像或可见光行人图像;(2)当原始图像为可见光行人图像时,F
V
和首先经过两个通道注意力模块;EF
V
=CAM(F
V
)=w
SV
*F
V
,w
SV
=σ(GAP(F
V
)+GMP(F
V
))(3)EF
V
和分别经过两个卷积块后接着经过两个通道注意力模块;CF
V
=ConvB(EF
V
,θ1),F
SV
=CAM(CF
V
),(4)对F
SV
和求平均操作得到最终的行人图像融合特征;其中,EF
V
和表示增强后的可见光行人图像特征和生成红外行人图像特征;CAM(
·
)表示通道注意力模块,w
(
·
)
表示通道权重图,GAP(
·
)和GMP(
·
)分别表示全局平均池化和全局最大池化;CF
V
【专利技术属性】
技术研发人员:张强,刘迦南,黄年昌,刘健,
申请(专利权)人:西安电子科技大学,
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。