[发明专利]基于分布式时空连续学习的行人重识别方法

说明书

本发明公开了一种基于分布式时空连续学习的行人重识别方法，该方法在分布式边缘计算网络节点及边缘设备上部署行人重识别模型，实现对行人特征进行连续学习，结合分布式时空特征定向分享模型知识，根据真实的场景持续优化分布式行人重识别模型。本发明根据分布式计算网络中的节点位置和边缘设备部署行人重识别模型，该模型包括特征提取模块和动态学习模块，各个边缘节点上特征提取模块训练、识别方式相同，通过动态学习模块实现不同节点之间模型知识的共享，其中动态学习模块还划分为基本权重、自适应权重以及注意力权重来实现分布式的知识聚合和模型更新。

技术领域

本发明涉及边缘计算和计算机视觉技术领域，具体涉及一种基于分布式时空连续学习的行人重识别方法。

背景技术

行人重识别是一种从不同时空摄像头采集的行人图片中，检索出目标行人的方法。行人重识别技术广泛应用于视频安防、嫌疑人追踪和智慧城市等领域。

在真实环境中部署行人重识别，往往存在数据漂移问题，从而使行人重识别的识别和检索准确率大范围下降。数据漂移的问题主要由以下因素造成，首先部署环境中数据样本的特征和模型训练样本的特征有较大差异，模型对真实环境的适应能力不足。其次，视频场景中光照、能见度等一些不可控的环境因素在不断改变，模型缺乏对动态环境的自适应能力。以上不利因素使得行人重识别技术很难长期有效地部署在现实环境中。此外，社会生活中人们对隐私安全和信息保护已经越发重视。传统的集中式行人重识别需要将多个摄像头所采集的视频进行传输和存储，这不仅会造成大量的网络带宽浪费，而且还存在隐私泄露的风险。

考虑到上述所有的不利因素，在现实环境中部署行人重识别所遇到的困难，主要包括以下三点：

(1)涉及到数据隐私的问题，如何能够在边缘端完成行人重识别的自动学习任务，从而避免传输行人照片等隐私数据到服务器。

(2)考虑到真实部署环境不断改变的问题，如何能够让边缘端模型自动学习新场景的行人特征，从而保证行人重识别任务能够在长期部署中始终高效可用。

(3)考虑多个边缘端设备的存在，如何有效地分享各个时间和空间中边缘模型学习到的知识，从而进一步提高多个边缘模型的鲁棒性。

发明内容

发明目的：针对上述在真实部署场景中存在的边缘模型连续学习能力缺失、跨边缘模型知识共享能力不充分的问题，本发明提供了基于分布式时空连续学习的行人重识别方法。

技术方案：一种基于分布式时空连续学习的行人重识别方法，该方法在分布式边缘计算地网络节点及边缘设备上部署行人重识别模型，实现对行人特征在本地进行连续学习，结合分布式时空特征定向迁移模型知识，根据真实的场景持续优化分布式行人重识别模型，其特征在于：

(1)组建具有分布式部署和跨时空连续学习能力的行人重识别模型，对于每个边缘节点i(i∈C)，所述行人重识别模型对应的神经网络包括特征提取模块G_i和动态学习模块F_i；

其中，所述的特征提取模块G_i的权重由ImageNet预训练的卷积网络模型进行初始化；所述的动态学习模块F_i的卷积权重θ_i分解为基本权重B_i、自适应权重A_i以及注意力权重α_i；

(2)当边缘节点i(i∈C)在某段时间t(t＝1,2,…)内出现漂移数据时，利用特征提取模块G_i提取漂移数据的特征P_i^(t)和特征平均值并发送到参数服务器中；

(3)参数服务器将来自不同时间和空间的漂移数据特征进行跨时空的多尺度聚类，对于不同时间段t,t′以及边缘节点i,j的数据特征计算其多尺度特征距离