[发明专利]一种基于多通道注意力特征的行人重识别方法

权利要求书

1.一种基于多通道注意力特征的行人重识别方法，其特征在于，所述的行人重识别方法包括如下步骤：

S1、构建基于通道注意力的卷积神经网络模型，并预训练主干网络；

S2、提取行人图片在主干网络的输出特征，全局池化后计算特征的通道加权向量；

S3、加权向量与主干网络的输出特征相乘，计算结果再与主干网络的输出特征相加，以残差的方式提取通道注意力特征；

S4、重复提取多个注意力特征，采用海林格距离进行特征多样性正则化；

S5、将注意力特征输入全连接层与分类器，训练最小化交叉熵损失和度量损失；

S6、将目标测试集图片输入训练好的模型提取特征，根据特征相似度进行排序得到行人重识别结果，进而实现行人重识别。

2.根据权利要求1所述的一种基于多通道注意力特征的行人重识别方法，其特征在于，所述的卷积神经网络模型中主干网络采用Resnet网络，将Resnet网络在ImageNet数据集上进行预训练，使Resnet网络获得理想的初始值。

3.根据权利要求1所述的一种基于多通道注意力特征的行人重识别方法，其特征在于，所述的步骤S2过程如下：

S2.1、定义主干网络的输出特征为U＝[u₁，...，u_C]∈R^W×H×C，通过全局池化聚合空间信息得到通道描述子z＝[z₁，...，z_C]∈R^C，全局池化表示为：

S2.2、基于通道描述子计算特征的通道加权向量，加权向量表示为：

其中p＝1，...，P表示有多个通道加权向量，为第一个全连接层的参数，为第二个全连接层的参数，r为降维比例常数，δ为ReLU函数，σ为Sigmoid函数。

4.根据权利要求3所述的一种基于多通道注意力特征的行人重识别方法，其特征在于，所述的步骤S3过程如下：

将加权向量m^p与主干网络的输出特征U相乘得到注意力特征图S^p，计算公式表示为：

将注意力特征图S^p与主干网络的输出特征U相加以增加全局信息，得到通道注意力特征U^p，计算公式表示为：

U^p＝γ·U+S^p

其中γ为比例常数。

5.根据权利要求1所述的一种基于多通道注意力特征的行人重识别方法，其特征在于，所述的步骤S4过程如下：

定义图像I_n输入网络得到的通道加权矩阵为：

其中表示图像I_n输入网络得到的第P个通道加权向量，将海林格距离的公式表示为：

其中为第i个通道加权向量的第c个元素，由于计算通道加权向量采用softmax函数，因此则：

将最大化海林格距离等效为最小化令则度量不同注意力显著性区域重叠性的正则项表示为：

其中||·||_F表示弗罗贝尼乌斯范数。

6.根据权利要求1所述的一种基于多通道注意力特征的行人重识别方法，其特征在于，所述的步骤S5过程如下：

记模型输入的锚点样本为I_i，正样本为I_j，负样本为I_k，分别记三个样本的标签为y_i、y_j、y_k，f(I)为网络分类器前最后一层全连接层的输出特征，三元度量损失和交叉熵损失分别表示为：

其中θ为卷积神经网络模型的参数，m为卷积神经网络模型收敛时负样本对之间距离与正样本对之间距离的目标差值，p_i为输入图像经过卷积神经网络模型分类后的概率值；

将目标优化函数表示为：

其中λ为比例常数； 通过最小化目标函数L_total(θ)，迭代优化卷积神经网络模型至收敛。

7.根据权利要求1所述的一种基于多通道注意力特征的行人重识别方法，其特征在于，所述的步骤S6过程如下：

将目标测试集图片输入卷积神经网络模型，提取分类器前最后一全连接层的特征，联接P个特征，计算联接后特征之间的欧氏距离构建相似度矩阵，根据距离大小进行排序得到检索候选列结果。