一种基于坐标注意力和软池化的行人重识别方法技术

本发明专利技术公开了一种基于坐标注意力和软池化的行人重识别方法，包括S1：在ResNet50网络中融入改进的坐标注意力模块和软池化层，构建坐标注意力机制和软池化层行人重识别网络；S2:使用数据集中的训练集对坐标注意力机制和软池化层行人重识别网络进行训练，并采用难样本三元组损失和交叉熵损失联合训练网络；S3：将S2训练得到的坐标注意力和软池化的行人重识别网络使用数据集中的测试集进行测试，进而评估网络的识别效果，提高模型的识别能力。S4：输入查询行人图像得到行人特征，使用欧氏距离计算行人图像和数据集中的行人图像之间的相似度，并按照相似度大小进行排列，得到识别的结果。本发明专利技术所设计的改进的坐标注意力模块，可以在空间和通道上对输入的行人图像进行加权关注，帮助模型提取到更具有判别力的行人特征，提高模型的泛化能力，并与现有主流的行人重识别方法进行比较，并在两个主流的数据集Market1501，DukeMTMC

【技术实现步骤摘要】
一种基于坐标注意力和软池化的行人重识别方法

：
[0001]本专利技术涉及计算机视觉图像处理
，尤其涉及一种基于坐标注意力和软池化的行人重识别方法。

技术介绍
：
[0002]目标识别是智慧城市建设和国防建设不可或缺的关键技术，属于计算机图像识别领域的一部分。众所周知。行人是各种活动的主体，因此对行人的准确识别一直是目标识别领域的一项难题。行人重识别，也称为行人再识别，主要目的是解决不同场景中行人的匹配问题。简单来说，就是将出现在某个摄像头中的行人与出现在其他摄像头中的相同行人进行匹配。行人重识别技术的出现弥补了行人身份识别的缺陷，由于在监控场景下缺乏人脸信息，难以辨认行人的身份，在智能视频监控、智能安保、法医部门取证以及无人超市运营等领域具有重要的应用价值。但是行人重识别目前还未应用到实际的场景中去。主要是存在以下的问题：
[0003]1.由于不同摄像头的参数不同，监控环境的多变，行人图像容易受到照明、视角、模糊和遮挡等因素的影响，并且同一行人可能在不同的相机中显示出不同的行人特征，这使行人重识别领域面临着巨大的挑战。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于坐标注意力和软池化行人重识别方法，步骤如下：步骤一：构建含有改进的坐标注意力模块的行人重识别网络，其中将ResNet50网络作为特征提取的主干网络，其中包括全局分支、改进的坐标注意力模块以及软池化层。步骤二：利用公开数据集中的train数据集对含有改进的坐标注意力模块的ResNet50网络进行训练，本发明使用难样本三元组损失函数和交叉熵损失函数。步骤三：将步骤二训练后的权重文件用于公开数据集中的test数据集进行测试，其中评价指标采用平均准确率mAP(mean average precision)和Rank
‑
1，其中Rank
‑
1表示查询结果中第一张图像与搜索图像属于同一行人的概率。步骤四：将公开的gallery数据集输入到由步骤二得到的模型，保存模型提取到的行人特征，最后得到一个行人图像特征数据库，每个特征都对应唯一的行人id。步骤五：输入查询行人图像得到特征，通过检索行人图像特征数据库计算出相似度，相似度最高的行人图片所对应的的行人id即为所查询行人图像的id。2.根据权利要求1所述的一种基于坐标注意力机制和软池化的行人重识别方法，其特征在于，步骤一中构建坐标注意力和软池化的行人重识别方法具体步骤如下：1.1本发明使用在ImageNet预训练过得ResNet50网络作为主干网络，经过第一个卷积层(ResNet50_conv1)并经过软池化层(SoftPool)，同时将第一个卷积层的ReLU层去除，提取到浅层的行人特征，其中软池化层是一种快速有效的指数加权激活下采样的方法，软池化层可以在减少的激活映射中保留更多的特征信息，同时可以提高神经网络的分类精度。然后通过网络中第二个卷积层(ResNet50_conv2)，从第二层卷积层开始提取到更深层的行人特征。局部分支分别为需要嵌入ResNet_conv2，ResNet_conv3以及ResNet_conv4后的改进的坐标注意力模块(CA
‑
SA)，其中改进的坐标注意力模块由坐标注意力模块和空间注意力模块组成。1.2坐标注意力为减轻由2维全局池化引起的位置信息损失。将通道注意力分解成两个并行的1维特征编码过程，有效地整合空间坐标信息再转换成生成的注意力图。更具体地说，主要是利用一对一维的全局池化，将沿垂直和水平方向的输入特征分别聚合到两个单独的方向特征图中，然后将这两个具有嵌入方向特定信息的特征图分别编码为两个注意力图，每个注意力图捕获输入特征图沿一个空间方向的长距离依赖性。因此，可以将位置信息保存在所生成的注意力图，然后通过乘法将两个注意力图用于输入的特征图。而空间注意力模块在坐标注意力基础上进行加权关注，进而捕获全局的位置信息，提高了模型的准确率。1.3在全局分支中，将所得到的特征图输入到全局平均池化层(GAP)，所得到的特征计算难样本三元组损失，然后继续将特征输入到全连接层，计算交叉熵损失。3.根据权利要求2所述的一种基于坐标注意力机制和软池化的行人重识别方法，其特征在于，所述的改进的坐标注意力模块的计算流程为：Step1：给定的输入X，使用两个大小为(H,1)和(1,W)的池化内核分别沿着水平坐标和垂直坐标对每一个通道进行编码。所以高为h的第c个通道的输出公式为：同理，宽为w的第c个通道的输出公式为：
Step2：对上述等式进行级联操作，然后将它们发送到共享的1
×
1卷积变换函数F1，公式为：f＝δ(F1([z
h
,z
w
]))其中，[
·
,
·
]表示沿空间维度的级联操作，δ表示非线性激活函数。Step3：将f沿着空间维度拆分成两个独立的张量，分别是f
h
∈R
C/r
×
H
、f
w
∈R
C/r
×
W
，...

【专利技术属性】
技术研发人员：杨楠，崔鹏，周舟，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：