一种基于多方案并联关注机制的行人重识别方法及系统

技术领域

本发明涉及计算机视觉中的行人图像处理领域，尤其涉及一种基于多方案并联关注机制的行人重识别方法及系统。

背景技术

跨摄像头下的行人重识别是计算机视觉领域的一大研究热点。它是在非重叠视角域多摄像头网络下进行行人匹配，即确认不同位置的摄像头在不同时刻拍摄所得的行人目标是否为同一人。拍摄场景中的光线亮暗、摄像头机位的视角差异、行人自身的姿势变化等因素，会造成视觉模糊性，给行人重识别带来一大难点；与此同时，行人出现的时间和地点也是随机不定的，这种时空不确定性同样给行人重识别带来挑战。

当前主流的行人重识别技术可以分为表征学习和度量学习。假如数据集中存在两张图片是关于同一行人的不同图片，则它们被称为正样本对；假如存在两张图片是关于不同行人的，则它们是负样本对。基于度量学习的行人重识别方法是把重识别过程看作聚类问题，目标是直接将同一行人的若干图片映射到高维空间中，形成聚类效应。此类方法的本质是训练模型使得高维空间中的正样本对距离尽可能小、负样本对距离尽可能大。关注机制的使用能对图片行人的局部特征加以突出并加强，让系统忽略无关信息，只关注有用的信息。目前，学术界一些较为经典关注机制设计方法，均使得模型性能有所提升，但是这样单一方案的关注机制对局部特征的这种处理是不够全面和细粒度的。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于多方案并联关注机制的行人重识别方法及系统，解决现有使用关注机制的技术对行人重识别性能不足的问题。

本发明所采用的第一技术方案是：一种基于多方案并联关注机制的行人重识别方法，包括以下步骤：

将待识别的行人图片a和在库图片g分别输入到特征提取网络以及特征增强网络，提取得到对应的原始行人特征向量t

将原始行人特征向量t

对行人类别c

进一步，所述将待识别的行人图片a和在库图片g分别输入到特征提取网络以及特征增强网络，提取得到对应的原始行人特征向量t

获取行人图片训练集和在库图片训练集；

将行人图片训练集和在库图片训练集输入待训练的特征提取网络和待训练的特征增强网络，得到训练用的行人类别；

将训练用的行人类别与行人图片训练集和在库图片训练集中的类别标签进行比较并计算欧氏距离损失函数；

根据损失函数对待训练的特征提取网络和待训练的特征增强网络进行参数调整，训练完成，得到特征提取网络和特征增强网络。

进一步，所述特征提取网络包括4个综合卷积层。

进一步，所述欧氏距离损失函数的表达式如下：

L＝||c

上式中，L表示欧氏距离损失函数，||·||

进一步，所述将原始行人特征向量t

c

c

上式中，W

进一步，所述阈值的具体设置步骤包括：

基于训练用的行人类别分别计算欧氏距离，依次将其设为初始阈值；

依次求取在各个初始阈值下所有训练行人图片对的识别准确率，最后选取准确率最高的初始阈值作为最终阈值。

进一步，所述对行人类别c

对行人类别c

判断到欧氏距离小于阈值则判定行人图片g和g具有同一身份；

判断到欧氏距离不小于阈值判定行人图片a和g具有不同身份。

本发明所采用的第二技术方案是：一种基于多方案并联关注机制的行人重识别系统，包括：

特征向量提取模块，用于将待识别的行人图片a和在库图片g分别输入到特征提取网络以及特征增强网络，提取得到对应的原始行人特征向量t

类别提取模块，用于将原始行人特征向量t

特征比对模块，用于对行人类别c

本发明方法及系统的有益效果是：本发明以并联的方式同时进行特征提取和特征增强，从而能在全局和局部两个层面上对特征加以最大程度的关注，以更有判别力的表征提高模型在不同场景下的鲁棒性，进而提高行人重识别的效果。

附图说明

图1是本发明一种基于多方案并联关注机制的行人重识别方法的处理示意图；

图2是本发明一种基于多方案并联关注机制的行人重识别方法的步骤流程图；

图3是本发明一种基于多方案并联关注机制的行人重识别系统的结构框图；

图4是本发明多方案并联关注机制的结构图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

参照图1和图2，本发明提供了一种基于多方案并联关注机制的行人重识别方法，该方法包括以下步骤：

将待识别的行人图片a和在库图片g分别输入到特征提取网络以及特征增强网络，提取得到对应的原始行人特征向量t

将原始行人特征向量t

对行人类别c

进一步作为本方法的优选实施例，所述将待识别的行人图片a和在库图片g分别输入到特征提取网络以及特征增强网络，提取得到对应的原始行人特征向量t

获取行人图片训练集和在库图片训练集；

将行人图片训练集和在库图片训练集输入待训练的特征提取网络和待训练的特征增强网络，得到训练用的行人类别；

将训练用的行人类别与行人图片训练集和在库图片训练集中的类别标签进行比较并计算欧氏距离损失函数；

根据损失函数对待训练的特征提取网络和待训练的特征增强网络进行参数调整，训练完成，得到特征提取网络和特征增强网络。

进一步作为本方法的优选实施例，所述特征提取网络包括4个综合卷积层。

具体地，可以将输入行人图片中的身份信息提取到行人特征中，为保证特征提取方式的一致性，用于提取图像a、g特征的两个特征提取网络的权值共享。

进一步作为本方法的优选实施例，所述欧氏距离损失函数的表达式如下：

L＝||c

上式中，L表示欧氏距离损失函数，||·||

进一步作为本方法优选实施例，所述将原始行人特征向量t

c

c

上式中，W

进一步作为本方法优选实施例，所述阈值的具体设置步骤包括：

基于训练用的行人类别分别计算欧氏距离，依次将其设为初始阈值；

依次求取在各个初始阈值下所有训练行人图片对的识别准确率，最后选取准确率最高的初始阈值作为最终阈值。

进一步作为本方法优选实施例，所述对行人类别c

对行人类别c

判断到欧氏距离小于阈值则判定行人图片a和g具有同一身份；

判断到欧氏距离不小于阈值判定行人图片a和g具有不同身份。

本发明通过对多种方案的关注机制进行并联融合，参照图4，创新设计了关注机制的结合和使用方式，充分利用每种被并联关注机制的优点，帮助提升模型性能。

本发明方法还具备以下有益效果，采用端到端的训练方式，降低了模型的训练难度，增加了模型的适用范围。模型总体参数量较少，同时特征提取网络的权值共享策略进一步降低了模型的复杂度，模型对运行算法的硬件要求低。

如图3所示，一种基于多方案并联关注机制的行人重识别系统，包括：

特征向量提取模块，用于将待识别的行人图片a和在库图片g分别输入到特征提取网络以及特征增强网络，提取得到对应的原始行人特征向量t

类别提取模块，用于将原始行人特征向量t

特征比对模块，用于对行人类别c

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。