[发明专利]一种基于属性信息辅助的行人再识别方法

权利要求书

1.一种基于属性信息辅助的行人再识别方法，其特征在于：包括如下步骤：

S1：在ID维度上标注行人属性；

S2：构建行人重识别深度学习网络：包括骨干网络、ID分支网络以及属性分支网络，骨干网络作为ID分支网络以及属性分支网络的输入，其中ID分支网络输出行人全局特征向量并预测行人ID，属性分支网络输出属性特征向量并预测行人属性；

S3：构建损失函数，深度学习模型总损失为ID损失与属性损失的和；

S4：准备训练数据集，进行行人重识别深度学习模型训练；

S5:提取被查询图像特征；

S6：计算被查询图像与图库图像特征之间的相似度；

S7：根据相似度得分进行排序得到识别结果。

2.如权利要求1所述的一种基于属性信息辅助的行人再识别方法，其特征在于：所述行人属性包括性别、年龄段、是否戴帽、头发长度、上衣袖子长度、上衣颜色、下衣类型、下衣长度、下衣颜色、携带包类型，并将多标签属性转为二值标签属性。

3.如权利要求1所述的一种基于属性信息辅助的行人再识别方法，其特征在于：所述骨干网络采用resnet结构。

4.如权利要求3所述的一种基于属性信息辅助的行人再识别方法，其特征在于：骨干网络resnet的conv4_x输出作为ID分支网络的输入，所述ID分支网络：包括的网络层结构有全局平均池化层、BatchNorm层、全连接层，其中BatchNorm层输出作为行人全局特征向量，全连接层预测行人ID。

5.如权利要求3所述的一种基于属性信息辅助的行人再识别方法，其特征在于：骨干网络resnet的conv4_x输出作为属性分支网络的输入，属性分支网络包括conv5_x模块、全局平均池化层、全连接层、sigmoid层，其中全局平均池化层输出为深层属性特征向量，后连接四个全连接分支，每个全连接分支后连接各身体部位属性预测全连接层,sigmoid层进行属性得分预测。

6.如权利要求3所述的一种基于属性信息辅助的行人再识别方法，其特征在于：还包括浅层属性特征网络：提取属性相关浅层特征，骨干网络resnet的conv3_x输出作为浅层属性分支网络的输入，经过全局平均池化层、降维卷积层输出浅层属性特征向量；

深层属性特征网络，提取深层属性特征，骨干网络resnet的conv4_x输出作为深层属性分支网络的输入，深层属性分支网络包括conv5_x模块、全局平均池化层、降维卷积层，其中降维卷积层输出为深层属性特征向量；

属性分类网络，将浅层属性特征与深层属性特征进行拼接形成属性特征向量，后连接四个全连接分支，每个全连接分支后连接各身体部位属性预测全连接层，sigmoid层得到属性评分预测向量。

7.如权利要求1所述的一种基于属性信息辅助的行人再识别方法，其特征在于：构建损失函数，ID分支网络采用triplet损失和softmax交叉熵进行训练；属性分支网络利用tripletloss和focalloss损失函数分别对属性特征向量、属性评分预测向量进行约束，属性分支损失为L_{att_tri}和L_attfocal，深度学习模型总损失L：

L＝L_{id_tri}+L_{id_ce}+L_{att_tri}+L_{att_focal}。

8.如权利要求1所述的一种基于属性信息辅助的行人再识别方法，其特征在于：步骤S6中利用人重识别深度学习模型对行人图像进行特征提取，ID分支网络输出2048维行人全局特征向量并进行归一化处理得到id_feature，属性分支输出33维属性得分向量att_score。

9.如权利要求8所述的一种基于属性信息辅助的行人再识别方法，其特征在于：步骤S7相似度计算步骤如下：

(1)计算欧式距离并归一化映射到[0,1]，其中α∈[0，1]为平衡特征的权重：

(2)将归一化后的距离转化为相似度得分：