【技术实现步骤摘要】
本专利技术属于图像检索领域，具体涉及一种多细粒度特征融合的行人重识别方法。
技术介绍
1、行人重识别(person re-identification)是计算机视觉领域的一个研究热点，它旨在解决不同监控摄像头之间人物身份信息的匹配问题，并且可以应用于城市安全监控、智慧交通等领域。随着深度学习技术的不断发展，行人重识别已成为人们更加关注的问题之一。
2、在行人重识别任务中，主要挑战之一是如何在不同时间、不同场景和不同视角下准确地识别同一个行人。此外，由于行人的外观变化较大，如服装、姿态、遮挡等因素，使得行人重识别的问题更加复杂和困难。因此，如何提取具有鲁棒性、多样性和有效性的特征表示方法是重要的研究内容。近年来，深度学习在行人重识别任务中取得了重大进展，如使用卷积神经网络(cnn)进行端到端的特征学习和鲁棒性建模，采用迁移学习、多模态学习和弱监督学习等方法来进一步提高行人重识别的精度和效率。同时，也有越来越多的研究针对行人重识别提出了多种有创新性的模型和算法。由于摄像机参数和拍摄角度的不同，行人图像在背景、分辨率、视角和姿态等多个方法都存在较大差异，如何提取判别性特征是解决该问题的关键。
3、多粒度特征提取的关键在于能够同时捕捉到行人的宏观和微观特征，并有效地将这些特征整合到一起，以提高行人重识别的准确性和鲁棒性。多粒度特征提取后，需要有效的融合策略来整合不同粒度的特征。常见的融合方法包括特征级融合、决策级融合等，它们可以在不同阶段结合不同粒度的特征。随着研究的深入，这一领域将继续发展新的技术和方法，以应对
技术实现思路
1、基于上述分析，本专利技术提出了一种多细粒度特征融合的行人重识别方法，其中包括特征擦除分支，全局分支和局部分支，以提供一个具有高准确率和泛化性的网络结构。来解决当前行人重识别方法中的下述问题：在摄像头场景中，由于行人被其他物体遮挡，导致一些特征信息的丢失，影响识别精度；行人的姿态变化，容易对识别造成干扰；在光照强度变化以及摄像头分辨率低等因素会降低图像的分辨率，导致行人可分辨性降低。
2、为了解决存在的以上问题，本专利技术提供了一种多细粒度特征融合的行人重识别方法，总体方案包括数据增强和行人识别两个网络，具体步骤如下所示：
3、步骤一，获取行人重识别图像数据集，对数据集中原始图片和标签进行预处理，预处理过程包括裁剪、随机旋转和随机擦除增强。随机擦除增强通过引入随机的、局部的遮挡来训练模型，以增加对遮挡和噪声的鲁棒性。这有助于提高模型在实际场景中的适应性，使其更具有处理遮挡、光照变化和其他噪声的能力。
4、步骤二，构建的行人重识别网络模型，将预处理后的图片送入行人重识别网络模型，得到重识别结果。
5、所述行人重识别网络模型由特征金字塔网络结构、细节特征提取模块、语义特征提取模块和特征融合模块构建，具体过程如下：
6、步骤2.1、将预处理后的图片送入特征金字塔网络结构，并获取特征图；所述特征金字塔网络结构包含五层卷积：layer0、layer1、layer2、layer3、layer4。
7、步骤2.2、将特征金字塔结构layer3层输出的特征图f3送入细节特征提取模块，细节特征提取模块包含两个分支，其中第一个分支将特征f3水平分成五块，并加入平均池化，得到特征f3’，另一分支将特征f3分别进行平均池化和最大池化，并逐项相加融合得到特征f3”，由f3”计算困难三元组损失，并将f3”送入分类器获得id损失。
8、步骤2.3、将特征金字塔layer4层输出的特征图f4送入语义特征提取模块；其中语义特征提取模块分为两个分支；第一个分支分别进行平均池化和最大池化，将平均池化和最大池化后的结果进行逐项相加融合，得到特征f4’计算困难三元组损失，并将特征f4’送入分类器获得id损失；第二个分支将特征图f4水平分成4块，并进行平均池化，得到特征f4”。
9、步骤2.4、将细节特征模块的第二个分支和语义特征提取模块的第二个分支输出的特征图f4”和f3’送入特征融合模块，逐元素相加后，经过批标准化和全连接层的分类器，计算id损失。
10、步骤2.5、将上述三个分类器得到的相似度评分列表进行平均合并，生成最终的相似度评分列表，输出识别结果。
11、步骤三，设计损失函数，并采用warmup策略对行人重识别网络模型进行训练；将待识别图像输入训练后的行人重识别网络模型，进行行人重识别测试。
12、本专利技术有益效果，多细粒度特征提取网络在行人重识别中通过捕捉从局部到全局的丰富特征，增强了模型的泛化性和鲁棒性，提高检索效率，显著提升了行人识别的准确性和系统的整体性能。
本文档来自技高网...【技术保护点】
1.一种多细粒度特征融合的行人重识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多细粒度特征融合的行人重识别方法，其特征在于，步骤一种所述预处理过程包括裁剪、随机旋转和随机擦除增强。
3.根据权利要求2所述的一种多细粒度特征融合的行人重识别方法，其特征在于，所述行人重识别网络模型由特征金字塔网络结构、细节特征提取模块、语义特征提取模块和特征融合模块构建。
4.根据权利要求3所述的一种多细粒度特征融合的行人重识别方法，其特征在于，所述行人重识别网络模型具体实现过程如下：
5.根据权利要求4所述的一种多细粒度特征融合的行人重识别方法，其特征在于，所述困难三元组损失具体实现如下：
【技术特征摘要】
1.一种多细粒度特征融合的行人重识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多细粒度特征融合的行人重识别方法，其特征在于，步骤一种所述预处理过程包括裁剪、随机旋转和随机擦除增强。
3.根据权利要求2所述的一种多细粒度特征融合的行人重识别方法，其特征在于，所述行人重识别网络模型由...
【专利技术属性】
技术研发人员：李俊辰，马玉良，楼宇超，孙明旭，
申请(专利权)人：杭州电子科技大学，
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。