【技术实现步骤摘要】
本专利技术涉及行人重识别领域，具体来说是一种基于特征多样化和域自适应特征选择的鲁棒行人重识别方法。
技术介绍
1、近年来，行人重识别(person re-identification)引起了广泛的关注，其目标在于从多个不同的相机视图中识别与目标行人身份一致的行人图像。随着深度学习技术的成功应用，大量复杂的行人重识别方法已被提出，并在单一封闭场景下取得了令人满意的表现。但是，当将这些训练好的模型应用到未知的复杂场景时，由于不同场景之间的差异而导致性能大幅度下降。因此，近期的研究工作着眼于鲁棒行人重识别问题，其侧重于在一组源域/数据集上训练模型，实现推广到新的、未知的目标域，无需进行任何模型更新。
2、目前，主流的鲁棒行人重识别方法可以归为两类：单一模型方法和集成学习方法。一方面，单一模型方法通过使用多个源场景数据进行训练来捕捉场景不变性特征，并且设计了一些特定的技术，如利用最大平均差异损失函数对齐不同场景的特征分布、在模型中设计批量归一化(batch normalization)和实例归一化(instance normalization)等操作以缓解外观风格变化、或使用元学习策略模拟真实场景中的数据漂移现象。然而，这些方法仅仅关注于学习域不变特征，导致模型表征能力下降。具体来说，由于模型被迫与多个源域数据兼容，其偏向输出高度相关的特征，这些特征集中在小的局部区域，例如训练数据中最常见的形状或颜色，导致了模型仅依赖于有限的知识并阻碍了其泛化能力。
3、基于集成学习的方法试图通过为每个源域训练特定模型并根据与目
技术实现思路
1、本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于特征多样化和域自适应特征选择的鲁棒行人重识别方法，以期通过特征通道多样化来提升模型的表征能力，并通过域自适应特征选择来适应目标场景上的数据分布偏差，以提高行人重识别网络的泛化性，从而能更精确地在未知场景中检索目标行人，促进实际应用落地。
2、本专利技术为达到上述专利技术目的，采用如下技术方案：
3、本专利技术一种基于特征多样化和域自适应特征选择的鲁棒行人重识别方法的特点在于，包括如下步骤：
4、步骤一、数据收集和预处理；
5、分别采集k个不同源域场景下的行人监控视频，并对第k个源域场景下的行人监控视频进行逐帧的行人检测、图像裁剪和图像尺寸归一化处理，得到nk张行人图像其中，表示第k个源域场景下包含一个行人的第i张行人图像；对第i张行人图像进行行人身份识别和标记，得到中行人对应的身份id标签，记为从而构建第k个源域场景下对应的行人图像数据集进而得到k个源域场景下对应的行人图像数据集d＝{d1,d2,…,dk,…,dk}，其中，表示第k个源域场景中所有行人身份id标签的总类别数；
6、步骤二、构建特征提取网络，包括：骨干网络、特征多样化网络和域自适应特征选择网络；
7、步骤2.1、所述骨干网络和特征多样化网络对行人图像数据集d进行处理，得到多样化特征并构建所述特征多样化网络的总多样化损失ldiv；
8、步骤2.2、所述域自适应特征选择网络对进行处理，得到选择后的行人特征图并构建基向量损失lbasis；
9、步骤三、构建分类网络，并对行人特征图进行处理后，得到对应的行人身份的分类概率，并构建行人重识别基础损失lreid；
10、步骤四、利用梯度下降法对由特征提取网络和分类网络构成的行人重识别网络进行训练，并计算总体损失函数l＝ldiv+lbasis+lreid以更新网络参数，直到迭代次数达到设定次数或损失误差小于所设定的阈值时，停止训练，从而得到最优行人重识别网络，用于对输入的行人图像进行特征提取，得到对应的行人特征，以通过根据特征相似度匹配实现行人检索。
11、本专利技术所述的基于特征多样化和域自适应特征选择的鲁棒行人重识别方法的特点也在于，所述骨干网络以resnet-50为基础，并包含a个阶段，其中a≥5，第一阶段由一个卷积操作单元组成，其余a-1个阶段均由不同数量的bottleneck模块组成；每个bottleneck模块均由若干个卷积操作单元组成；每个卷积操作单元依次包括：一层卷积层，一层批量归一化处理层和一层relu激活函数层；
12、所述建特征多样化网络，包含a-2个相同的特征多样化块；
13、骨干网络中除第一阶段和第二阶段之间外，其余每相邻两个阶段之间均连接有一个特征多样化块；
14、步骤2.2.1、当a＝1时，将行人图像数据集d输入到所述特征提取网络中，并依次经过骨干网络的第a阶段和第a+1阶段的处理后，得到每张行人图像对应的维度为c×h×w的特征图，其中，c表示特征图的通道数，h为特征图的高度，w为特征图的宽度；
15、行人图像数据集d中每张行人图像对应的特征图组成一个维度为c×n×h×w的特征张量x，令x[c,n,h,w]表示x中第n张行人图像对应的特征图在第c个通道的第h行、第w列元素，n∈{1,2,…,n},c∈{1,2,…,c},h∈{1,2,…,h},w∈{1,2,…,w}；n表示行人图像数据集d中的行人图像总数，且
16、步骤2.2.2、将特征张量x输入第a个特征多样化块中，并沿着通道维度，将c个通道{x[c,n,h,w]|n＝1,…,n,h＝1,…,h,w＝1,…,w}均匀且随机分为g组，令第g组包含l＝c/g个通道的分组特征张量{xg[l,n,h,w]|l＝1,…,l,n＝1,…,n,h＝1,…,h,w＝1,…,w}，其中，xg[l,n,h,w]表示第g组分组特征张量中第l个通道的第h行、第w列元素，g∈{1,2,…,g}，g为整除c的正整数；l表示每组的通道总数；由第g组包含的l个通道特征张量构成第g组分组特征张量xg；
17、步骤2.2.3、第a个特征多样化块利用式(1)对第g组分组特征张量xg进行白化计算，得到与xg形状相同的分组白化特征张量
18、
19、式(1)中，ρ是待学习的平衡参数，bw表示批量白化操作，iw表示实例白化操作，并有：
20、
21、
22、式(2)和式(3)中，bw(xg)[l,n,h,w]表示对第g组分组特征张量xg进行批量白化操作后所得到的分组批量白化特征中第l个通道、第n张行人图像的第h行、第w列元素，iw(xg)[l,n,h,w]表示对第g组分组特征张量xg进行实例白化操作后所得到的分组实例白化特征中第l个通道、第n张行人图像的第h行、第w列元素，xg[l]表示三维特征张量{xg[l,n,h,w]|n＝1,…,n,h＝1,…,h,w＝1,…,w}坍缩后的一维列向量，xg[l,n]表示二本文档来自技高网...
【技术保护点】
1.一种基于特征多样化和域自适应特征选择的鲁棒行人重识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于特征多样化和域自适应特征选择的鲁棒行人重识别方法，其特征在于，所述骨干网络以ResNet-50为基础，并包含A个阶段，其中A≥5，第一阶段由一个卷积操作单元组成，其余A-1个阶段均由不同数量的Bottleneck模块组成；每个Bottleneck模块均由若干个卷积操作单元组成；每个卷积操作单元依次包括：一层卷积层，一层批量归一化处理层和一层ReLU激活函数层；
3.根据权利要求2所述的基于特征多样化和域自适应特征选择的鲁棒行人重识别方法，其特征在于，所述域自适应特征选择网络包括K个子空间，每个子空间由M个基向量构成，令第k个子空间的所有基向量组成的矩阵记作Bk，令Bk[m]表示Bk中第k个子空间的第m个基向量，m∈{1,2,…,M}；
4.根据权利要求3所述的基于特征多样化和域自适应特征选择的鲁棒行人重识别方法，其特征在于，所述步骤2.2包括：
5.根据权利要求4所述的基于特征多样化和域自适应特征选择的鲁棒行人重识别
6.根据权利要求5所述的基于特征多样化和域自适应特征选择的鲁棒行人重识别方法，其特征在于，所述步骤三中的行人重识别基础损失Lreid是按如下步骤得到；
7.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-6中任一所述鲁棒行人重识别方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
8.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-6中任一所述鲁棒行人重识别方法的步骤。
...【技术特征摘要】
1.一种基于特征多样化和域自适应特征选择的鲁棒行人重识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于特征多样化和域自适应特征选择的鲁棒行人重识别方法，其特征在于，所述骨干网络以resnet-50为基础，并包含a个阶段，其中a≥5，第一阶段由一个卷积操作单元组成，其余a-1个阶段均由不同数量的bottleneck模块组成；每个bottleneck模块均由若干个卷积操作单元组成；每个卷积操作单元依次包括：一层卷积层，一层批量归一化处理层和一层relu激活函数层；
3.根据权利要求2所述的基于特征多样化和域自适应特征选择的鲁棒行人重识别方法，其特征在于，所述域自适应特征选择网络包括k个子空间，每个子空间由m个基向量构成，令第k个子空间的所有基向量组成的矩阵记作bk，令bk[m]表示bk中第k个子空间的第m个基向量，m∈{1,2,…,m}；
4.根据权利要求3所述的基于特征多样化和域自适应特征选择的鲁棒行人重识别方法，其特征在于，所述步骤2.2包括：
5...
【专利技术属性】
技术研发人员：刘嘉威，赵国治，吴勇，贺强，胡冰玉，
申请(专利权)人：中国科学技术大学，
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。