[发明专利]一种基于属性信息辅助的行人再识别方法

说明书

本发明公开了一种基于属性信息辅助的行人再识别方法，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模型：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；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。本发明增加属性以学习更多区分性特征表示，结构化行人特征，补充行人身份标签信息，提高行人辨识度，辅助行人再识别，优化行人重识别排序结果。

技术领域

本发明属于行人再识别技术领域，具体涉及一种基于属性信息辅助的行人再识别方法。

背景技术

行人再识别是指通过目标人物的查询图像检索不同摄像头下目标是否出现的识别过程。在安防监控领域，由于摄像头的角度、距离、光照、遮挡、复杂环境等客观因素影响了人脸识别的有效性，行人重识别技术补充了传统人脸识别在智能监控上的缺陷。随着深度学习的快速发展，行人再识别方面的研究也取得了突破，普遍的方法是利用深度学习模型提取目标行人的全局特征进行相似度计算得到排序结果。其中存在的问题是，忽略了行人身份信息与行人属性信息的互补关系，导致全局特征缺少特定于行人的局部属性描述，排序结果出现属性差异大的现象。

发明内容

本发明的目的在于提供一种基于属性信息辅助的行人再识别方法。

为实现上述目的，本发明提供如下技术方案：

一种基于属性信息辅助的行人再识别方法，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模型：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；

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。

进一步的，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。

进一步的，所述骨干网络采用resnet结构。

进一步的，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。

进一步的，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。

进一步的，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；