【技术实现步骤摘要】
一种基于细粒度交互网络的换衣行人重识别方法
[0001]本专利技术属于计算机视觉行人重识别
,具体涉及一种基于细粒度交互网络的换衣行人重识别方法
。
技术介绍
[0002]行人重识别是指在不同的摄像机下捕捉到与给定目标具有同一身份的行人,这项任务在近年来得到了广泛的研究并取得了长足的进展
。
但是,现有的研究总是假设目标图像与与其匹配的查询图像具有相同的服装外观,即目标行人在不同的摄像机下出现时其着装不会发生变化,这显然不符合现实应用场景
。
例如,天气炎热时,人们会频繁地更换衣服;犯罪分子也可能在短时间内通过换衣服作为伪装以逃避追踪
。
服装的变化为行人重识别的研究带来了更为复杂的挑战
。
[0003]近年来,研究人员致力于挖掘具有鉴别性的身份信息用于换衣行人重识别任务,主要包括行人的运动特征和不随服装变化的外观特征两个方向
。JIN
等人从单一图像中提取步态特征,通过序列预测获取连续的运动线索
。ZHAO
等人通过信息互补和有效的融合机制,从步态轮廓和姿态热图中探索稳健的步态特征
。
然而由于图像中信息损失
、
行人身体部位遮挡和角度等问题,给基于图像进行运动特征推理带来了很大的难度,致使推理所得的运动特征的可靠性难以保证,当前模型性能达不到预期效果
。
[0004]上述方法尽管捕获到一些步态特征,但忽略了除服装区域外其他有用的外观特征,更多研究人员则是从行 ...
【技术保护点】
【技术特征摘要】
1.
一种基于细粒度交互网络的换衣行人重识别方法,其特征在于:包括以下步骤:
S1
,对换衣行人数据集图像预处理,通过像素采样生成换衣后图像;
S2
,采用
ResNet50
作为主干网络,将初始图像和生成图像一同输入主干网络,提取它们的特征向量
F
和引入空间注意力模块获得其对应的细粒度特征;
S3
,构建成对交互网络,将细粒度特征交互嵌入到特征空间和
F
,通过
non
‑
local
模块自适应地融合相似的上下文信息,获得具有判别力的特征区域,用于行人身份的检索;
S4
,通过多个损失函数联合对行人特征进行优化
。2.
根据权利要求1所述的一种基于细粒度交互网络的换衣行人重识别方法,其特征在于:步骤
S2
包括:输入图像首先通过一系列卷积
、
激活和池化操作,生成特征映射
F
;然后,通过全局平均池化层将空间特征映射
F
转换为一维向量,其运算过程如下公式所示:其中,
w
和
h
分别表示输入特征空间的宽度和高度,
i
和
j
表示特征对应的索引;然后,使用激活函数来权衡不同信道,得到一个权重向量
S
c
,该向量反映了每个信道的重要性;最后,使用加权和来模拟混淆注意热力图,并通过
sigmoid
激活函数将其激活,该热力图用于表示不同空间位置的重要性,计算过程如下公式所示:力图用于表示不同空间位置的重要性,计算过程如下公式所示:其中,
i
表示通道的索引,
c
表示通道,
n
表示通道的总数量,
F
为图片的空间特征向量,
F
p
表示经过预处理的空间特征向量;在计算
M
Atten
之前,对
F
进行预处理,预处理计算过程如下公式所示,其中,
F
min
表示
F
中的最小元素;
F
p
=
F
‑
F
min
。3.
根据权利要求2所述的一种基于细粒度交互网络的换衣行人重识别方法,其特征在于:步骤
S3
包括:首先通过主干网络提取初始图像的特征向量
F
,然后通过空间注意力模块获得其细粒度特征
M
Atten
,然后将该特征嵌入到生成图像的特征空间并通过
non
‑
local
模块引入空间上下文,最后通过注意力池化突出细粒度特征;细粒度嵌入特征如下公式所示:通过
non
‑
local
模块传递空间嵌入特征
M
e
;通过键值对
K
‑
V
捕捉特征空间中的依赖关系;查询
Q
和键
K
向量点积,通过
softmax
函数激活得到权重矩阵
W
,为键值对分配权重,赋予上下文相似的值更多的权重;然后对每个值
V
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。