[发明专利]一种基于局部分辨特征融合的行人重识别方法

说明书

本发明提出了一种基于局部分辨特征融合的行人重识别方法，包括以下步骤：步骤1）选取训练数据，选取训练用数据集，并将数据集划分为训练集和测试集；步骤2）设计网络结构，设计一个用于融合算法的两分支的轻量级行人重识别网络；步骤3）设计损失函数，采用ID损失、软边三元组损失和中心损失一起训练；步骤4）训练神经网络，使用随机梯度下降算法对网络进行训练，训练过程中可以观察整个网络在测试集的损失；步骤5）测试结果，通过训练好的神经网络进行行人重识别，本发明使得行人重识别更加准确。

技术领域

本发明涉及一种行人重识别方法，具体的说是一种基于局部分辨特征融合的行人重识别方法，属于计算机视觉与人工智能技术领域。

背景技术

近年来，由于行人重识别(Re-ID)在新兴的计算机视觉应用(如视频监控、人类身份验证、认证和人机交互)中起到了关键作用，从而吸引了很多研究人员的关注。行人重识别的目的是将任何可查询图像与相同或不同摄影机在不同角度、时间或位置拍摄的同一人的图像相匹配，尽管目前该领域取得了一些进展，但由于光线、人体姿势、背景、摄像机角度等方面巨大变化，准确、可靠地识别行人仍然非常具有挑战性。

行人重识别(Re-ID)通常被表示为一个度量学习问题或者嵌入特征问题，其中类内样本之间的距离至少要比类间样本之间的距离小一个界限(margin)，这个想法的一个直接实现是以成对的方式对样本进行分组，但其计算复杂性高，另一种方法是使用分类任务来寻找特征嵌入解决方法，这一方法在实现复杂性方面具有优势。目前，各种针对行人重识别最先进的方法已经从单一的度量学习问题或单一的类别分类问题发展到同时采用判别损失(discriminative loss)和三元组损失(triplet loss)的多任务问题。由于每个样本图像只使用行人ID进行标记，如果不精心设计底层神经网络并进一步使用一些正则化技术，端到端训练方法通常很难学习到丰富多样的特征。

在过去的几年，为了从ID-labeled数据集中学习到丰富的特征，人们提出各种基于局部和基于dropout的方法。与传统的基于位置的Re-ID方法不同的是，基于局部的方法首先定位大量的人体部位，促使每个部位满足独立的ID预测损失，从而得到具有区别性的局部特征表示，然而，基于dropout的方法旨在通过使用各种基于dropout的数据增强方法(如擦除(cutout)、随机擦除(random erasing))来扩大数据集或者从特征提取网络中擦除中间特征，从而发现丰富的特征。

基于局部的方法的性能在很大程度上依赖于所采用的划分机制。语义划分可能会提供强健的线索，以保持良好的对齐，但容易产生噪声姿势检测，因为它要求人体部位应准确识别和定位，且性能改善有限。

因此，如何准确识别指定行人目标的图像特征、提高图像识别率是本领域技术人员亟待解决的问题。

发明内容

本发明的目的是提供一种基于局部分辨特征融合的行人重识别方法，使得行人重识别更加准确。

本发明的目的是这样实现的：一种基于局部分辨特征融合的行人重识别方法，包括以下步骤：

步骤1)选取训练数据，选取训练用数据集，并将数据集划分为训练集和测试集；

步骤2)设计网络结构，设计一个用于融合算法的两分支的轻量级行人重识别网络；

步骤3)设计损失函数，采用ID损失、软边三元组损失和中心损失一起训练；

步骤4)训练神经网络，使用随机梯度下降算法对网络进行训练，训练过程中可以观察整个网络在测试集的损失；

步骤5)测试结果，通过训练好的神经网络进行行人重识别。

作为本发明的进一步限定，步骤1)具体包括：