申请/专利权人：中国科学技术大学

申请日：2022-07-05

公开（公告）日：2024-04-02

公开（公告）号：CN115147774B

主分类号：G06V20/52

分类号：G06V20/52;G06V40/10;G06N3/0464;G06N3/084;G06V10/40;G06V10/764;G06V10/774;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.10.25#实质审查的生效;2022.10.04#公开

摘要：本发明公开了一种基于特征对齐的退化环境下的行人重识别方法，其步骤包括：1、构建一个新的退化环境下的行人重识别神经网络模型；2、运用模型对输入数据进行处理和计算；3、计算模型的各个损失函数，进而得到总损失函数；4、根据总损失函数对模型进行迭代优化。本发明提出的特征对齐模块是一种即插即用的模块，可以与现有行人重识别模型结合，从而能提高该模型在退化环境下的性能，还能保证模型在干净环境下的性能不受损失，从而能同时实现在正常环境和退化环境下运行高效，实现准确率高的行人重识别。

主权项：1.一种基于特征对齐的退化环境下的行人重识别方法，其特征是按如下步骤进行：步骤1、获取正常环境下拍摄的行人图像数据集X1，X2，…，Xi，…，XN，其中，Xi表示第i张正常行人图像，N表示图像总数；获取退化环境下拍摄的行人图像数据集Y1，Y2，…，Yj，…，YM，其中，Yj表示第j张退化行人图像，M表示图像总数；步骤2、构建基于特征对齐的退化环境下行人重识别的深度学习模型，包括：行人重识别模型F、两个特征对齐模块Gc2d和Gd2c、两个鉴别网络Dc和Dd；步骤2.1、所述行人重识别模型F是由骨干网络和分类网络组成，所述骨干网络以ResNet-50网络为基础；利用正常环境下拍摄的行人图像数据集对行人重识别模型F进行预训练，得到预训练后的行人重识别模型并冻结预训练权重；步骤2.2、所述特征对齐模块Gc2d和Gd2c的网络结构均包括：M个残差卷积模块；每个残差卷积模块依次由一个卷积层、一个批量归一化层和一个激活函数RELU组成，所述卷积层的卷积核的大小为k×k，步长为j；且残差卷积模块的输入与自身的输出进行拼接后作为自身残差卷积模块最终的输出；步骤2.3、所述鉴别网络Dc和Dd的网络结构均包括：特征提取模块和分类模块；所述特征提取模块的结构与所述骨干网络的结构相同并加载所述预训练权重作为自身的网络参数；所述分类模块依次由一个全局平均池化层、两个全连接层、一个批量归一化层和一个激活函数leakyRELU组成；步骤3、基于特征对齐的退化环境下行人重识别的深度学习模型的训练：步骤3.1、将所述第i张正常行人图像Xi和第j张退化行人图像Yj输入经过所述预训练的行人重识别模型的骨干网络中进行特征提取，得到对应的行人特征和步骤3.2、将行人特征输入所述特征对齐模块Gc2d中进行处理，并得到对齐后的行人特征将行人特征输入特征对齐模块Gd2c中进行处理，并得到对齐后的行人特征将行人特征和输入所述鉴别网络Dc中进行处理，并相应得到正常环境下的概率和将行人特征和输入所述鉴别网络Dd中进行处理，并相应得到退化环境下的概率和Dd；利用式1和式2分别构建行人图像Xi和Yj的对抗损失和 式1和式2中，E表示期望；步骤3.3、将对齐后的行人特征输入所述特征对齐模块Gd2c中进行处理，并得到重建的行人特征将对齐后的行人特征输入所述特征对齐模块Gc2d中进行处理，并得到重建的行人特征利用式3和式4构建行人图像Xi和Yj的循环一致性损失和 步骤3.4、将行人特征输入所述特征对齐模块Gd2c中进行处理，并得到个体保持特征将行人特征输入所述特征对齐模块Gc2d中进行处理，得到个体保持特征利用式5和式6构建行人图像Xi和Yj的个体保持损失和 步骤3.5、利用式7构建行人图像Xi和Yj的退化残差一致性损失Lres： 步骤3.6、利用式8建立全局损失函数Ltotal： 式8中，λ1、λ2、λ3、λ4分别为全局损失函数的4个超参数；步骤3.7、通过随机梯度下降法对两个特征对齐模块Gc2d和Gd2c以及两个鉴别网络Dc和Dd进行优化求解，并计算全局损失函数Ltotal后进行梯度反向传播，直到达到全局损失函数L收敛为止，从而得到训练后的特征对齐模块和以及鉴别网络和步骤4、将训练好的特征对齐模块连接在预训练的行人重识别模型的骨干网络和分类网络之间，从而得到最终的行人重识别模型，用于退化环境下的行人图片的识别。

全文数据：

权利要求：

百度查询： 中国科学技术大学 一种基于特征对齐的退化环境下的行人重识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD