一种动态对齐局部信息的多粒度行人重识别方法技术

本发明专利技术公开了一种动态对齐局部信息的多粒度行人重识别方法，涉及最短路径算法技术领域，解决了现有技术中通过全局特征与局部特征的结合，并使用姿态估计等外部模型预先学习人体语义信息作为划分身体部分的线索，增加了额外的计算负担与误差的技术问题；所述方法包括：采集若干张行人图像，并输入至主干网络进行图像特征提取；将主干网络获取的特征图输入至

【技术实现步骤摘要】
一种动态对齐局部信息的多粒度行人重识别方法


[0001]本专利技术属于行人重识别领域，涉及最短路径算法技术，具体是一种动态对齐局部信息的多粒度行人重识别方法
。

技术介绍

[0002]行人重识别是计算机视觉领域一项具有挑战性的任务，如何让网络学习到丰富的特征以及准确地对齐人体姿势成为提高行人重识别性能的关键
。
[0003]现有技术中，大多数通过结合全局特征与局部特征作为行人重识别问题的基本解决方案，使用姿态估计等外部模型预先学习人体语义信息作为划分身体部分的线索，这增加了额外的计算负担与误差
。
[0004]因此本专利技术提出一种动态对齐局部信息的多粒度行人重识别方法
。

技术实现思路

[0005]本申请的目的是提供一种动态对齐局部信息的多粒度行人重识别方法，解决了现有技术中通过全局特征与局部特征的结合，并使用姿态估计等外部模型预先学习人体语义信息作为划分身体部分的线索，增加了额外的计算负担与误差的问题
。
[0006]为实现上述目的，本申请提供了一种动态对齐局部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种动态对齐局部信息的多粒度行人重识别方法，其特征在于，包括以下步骤：步骤1：采集
Q
张尺寸为
384
×
384
的行人图像，并输入至主干网络进行图像特征提取；步骤2：将主干网络获取的特征图输入至
Global
分支和
Local
‑
M
分支，提取特征图中的全局特征信息和局部特征信息；
Global
分支的实施步骤如下：
S1
：
Global
分支经过
conv4_x
和
conv5_x
后输出的特征图执行全局平均池化和全局最大池化的操作，获取人体特征图；
S2
：将获取的人体特征图通过
Conv1x1+BN
层
+Relu
函数将特征图维度从
2048
降为
256
维，降维后的
256
维特征向量通过一个
BN
层，其中，
BN
层前的特征向量标记为
f
tG
，
BN
层后的特征向量记为
f
iG
，
f
tG
使用
TriHard
损失进行优化，
f
iG
通过
FC
层，使用
Softmax
损失优化；
Local
‑
M
分支的实施步骤如下：其中，
Local
‑
M
分支经过
conv4_x
和
conv5_x
卷积层后分成
Local
‑
M
‑
global
和
Local
‑
M
‑
local
两部分；
Local
‑
M
‑
global
部分与
Global
分支结构一致，其中，
BN
层前的特征向量标记为
BN
层后的特征向量标记为
Local
‑
M
‑
local
部分与
Global
分支结构不一致，实施如下：
P1
：对特征图进行池化降维；
P11
：
Local
‑
M
‑
local
部分将特征图均匀的划分成
M
个子区域，产生
M
‑1个水平条纹；
P12
：将划分后的特征图进行池化和降维处理，获得尺寸为
256
×
M
的局部特征，即
M
个尺寸为
256
×1的水平局部特征的集合；其中，
Local
‑
M
‑
local
部分使用
SPA
优化后的
TriHard
损失优化
BN
层的特征向量，且特征向量标记为
P2
：对于池化和降维后的特征图，使用最短路径算法动态对齐两张图像的局部水平条纹，其中，两张图像之间的最短路径距离作为局部特征距离；
P21
：计算水平特征距离
dij
；其中，两张图像分别标记为
A、B
，图像
A
和图像
B
的局部特征集合分别标记为和和其中，
dij
表示
lA
中第

【专利技术属性】
技术研发人员：宁重阳，刘娟，张立，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：