一种基于模型结构自主进化的行人图像重识别方法技术

本发明专利技术公开了一种基于模型结构自主进化的行人图像重识别方法，主要结构分为三个功能模块：基本特征提取模块、自进化多尺度特征强化模块、多部位细粒度对齐模块。在基本特征提取模块中，使用视觉卷积神经网络来提取图像的基本特征。此后，将自进化多尺度特征强化模块插入基本特征提取模块中，采用动态路由机制负责多尺度的视觉特征增强，利用基本特征提取模块提取的深层和浅层特征，通过逐层尺度变换和特征精炼，引导模型学习如何从基本视觉特征到自适应多尺度特征的进化。最后，在多部位细粒度对齐模块中，利用外部语义知识引导模型提取多部位的行人特征，实现局部特征的匹配。本发明专利技术能够提高局部行人图像检索任务的准确率。明能够提高局部行人图像检索任务的准确率。明能够提高局部行人图像检索任务的准确率。

【技术实现步骤摘要】
一种基于模型结构自主进化的行人图像重识别方法


[0001]本专利技术属于模式识别
，具体涉及一种行人图像重识别方法。

技术介绍

[0002]近年来，随着深度学习的发展和大规模数据集的发布，行人重识别技术得到广泛发展，成为计算机视觉领域中的一项重要任务，在自动驾驶、失踪人口寻找、监控视频检索等领域都有重要应用，该任务旨在通过一张待检索的查询图像，匹配图库中对应的行人图像，该任务涉及从不同视角、光照条件下搜索不同姿态的相同行人。
[0003]然而在实际的应用中，先前的方法往往专注于检索拍摄质量较好、行人完整的高质量图像，但是相机因为有限的拍摄范围，导致很多情况下只能拍摄部分的行人图像，行人在现实世界中经常被不完整地拍摄到。如图1中所示，一些关键的视觉信息在部分图像和整体图像之间的尺度上不同，这产生了尺度偏差问题，这要求模型适应不同的尺度，能够针对尺度偏差问题提高自主适应能力。
[0004]因此，在现实世界中的行人重识别技术，限制其性能的一个重要原因是关键视觉信息在部分和整体图像之间的尺度偏差问题。其表现在两个方面：(1)完整行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型结构自主进化的行人图像重识别方法，其特征在于，包括如下步骤：步骤1：构建基于模型结构自进化的目标重识别网络，包括基本特征提取模块、自进化多尺度特征强化模块和多部位细粒度对齐模块；步骤1
‑
1：所述基本特征提取模块由残差网络构成；将残差网络根据中间特征的尺度大小进行拆分，逐层提取不同尺度的基础视觉特征，每加深一层残差网络层，基本特征尺度变为原先的一半，对于每张输入的图片，基本特征提取模块将提取该图像的三种不同尺度特征用于后续的进化，对应特征大小分别为(C,H/2,W/2)、(C,H/4,W/4)、(C,H/8,W/8)，其中C和(H,W)分别表示输入通道维度和特征大小；步骤1
‑
2：所述自进化多尺度特征强化模块以基本特征提取模块的特征为输入，并利用一系列进化单元来生成尺度自适应的进化特征；在身份信息的弱监督下，自进化多尺度特征强化模块为每个输入图像进化出尺度转换路径，从而产生更优化的特征表示；具体来说，为每一层特征生成自适应的尺度进化路径，并通过特征逐层进化的方式提高语义丰富性，动态提取多尺度特征；在训练过程中，通过不断进化深层和浅层语义的交互融合方式，最终学习到如何为每一个样本生成自适应的最佳尺度进化方式集合；步骤1
‑2‑
1：所述进化单元包括进化门控函数和进化精炼操作，进化门控函数负责在身份信息的弱监督下对特征尺度进行进化，生成尺度进化分数α，尺度进化分数α用于选择适合样本的尺度转换操作，包括保持分辨率、上采样、下采样三种尺度操作；进化精炼操作用于进一步进化当前层的语义信息，提高语义丰富度；具体地，当前进化单元将上一层的其他进化单元输出进行求和，得到求和输入f
L
；f
L
将首先被送入进化门控函数中，通过卷积和自适应最大池化得到B
×3×
1的特征向量，并送入SoftMax得到尺度进化分数α，选取α的最大概率值并激活对应的尺度转换操作：其中S代表离散采样操作，MaxPool代表最大池化操作，G1×1代表1*1卷积操作，代表对应的卷积层参数；所述进化精炼操作是重复利用先前的特征f
L
，并将其送入3*3卷积层G3×3中，通过批归一化和正切激活函数对特征的非线性分布进行重新映射，生成精炼进化特征由公式表示为：其中为卷积层参数；在得到精炼进化特征和尺度进化分数α后，生成当前层进化单元的最终输出具体由公式表示为：
其中T
scale
代表对应激活的尺度转换操作；步骤1
‑2‑
2：得到进化单元后，将其逐层排列构成路由层，...

【专利技术属性】
技术研发人员：张艳宁，王鹏，陈鸿宇，矫炳亮，高丽颖，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：