【技术实现步骤摘要】
基于姿态与样式归一化的换衣行人重识别方法
[0001]本专利技术涉及计算机视觉、模式识别等
,主要涉及的是监控视频中行 人的身份重识别,它在预防犯罪、智慧城市和社会治安等方面具有广泛的应用。
技术介绍
[0002]行人重识别作为智慧城市中一个非常重要的应用,在计算机视觉领域中被广 泛研究。早期行人重识别主要通过手工构建行人特征或者距离度量学习。随着深 度学习在计算机视觉领域的广泛应用,基于深度学习的行人重识别技术开始迅速 发展,并且在封闭世界环境中取得了良好的性能。
[0003]基于深度学习的行人重识别方法主要针对姿态、光照、背景噪声等问题进行 研究的,其中Qian等人在2018年提出了一种基于生成对抗网络的姿态归一化方 法,但是该方法需要OpenPose等第三方辅助工具,增加了网络模型的规模,使 得行人重识别的预处理工作变得复杂。Zheng等人提出的DG
‑
Net虽无需第三方 辅助工具,但其严重依赖于服装外观一致性,其身份信息主要由外观特征为主导, 在姿态互换时强制将衣服相同的不同行人判断为同一行人,这种误判现象会导致 识别精度下降。这些方法只适用于短期捕获的行人再识别场景,限制了行人重识 别在实际场景中的应用。
[0004]为了解决模型依赖服装外观一致性的问题,一些研究对换衣行人重识别进行 了初步探索。Li等人在2020年提出了Angle Specific Extractor(ASE)模块来建 模不同通道之间的关系,尝试从行人轮廓的角度进行行人重识别,一定程度上消 除了服装 ...
【技术保护点】
【技术特征摘要】
1.一种基于姿态与样式归一化的换衣行人重识别方法,其特征在于,包括以下步骤:步骤1.1:使用姿态编码器与服装外观编码器对目标图库与检索图库中的行人进行姿态特征与服装外观特征的提取,并利用解码器进行交叉重建与自我重建。步骤1.2:将生成的行人图像通过归一化模块进行样式擦除,利用内容注意力机制恢复因擦除丢失的内容鉴别性特征;步骤1.3:擦除后的行人特征通过双通道结构将利用姿态估计获取的行人局部特征和利用主干网络提取的全局特征进行特征融合;步骤1.4:通过欧氏距离度量,输出行人的身份信息。2.根据权利要求1所述的一种姿态与样式归一化的换衣行人重识别方法,其特征在于,所述步骤1.1中行人姿态服装互换的方法如下:步骤2.1:利用姿态编码器与外观编码器分别对行人的姿态与服装外观进行特征提取,其中姿态编码器是浅层网络,先经过四个卷积层进行特征提取,然后接着四个跳跃连接块,其中每个卷积层的输入输出通道都为256,卷积核的大小为3x3,步幅和填充都为1,随后进行组归一化并采用线性整流函数作为激活函数。在进行姿态编码时先对原始输入图像1
×
256
×
128进行灰度化操作即通道数设为1,并经过两个下采样层,防止外观信息进行干扰,姿态编码器输出的姿态特征尺寸为128
×
64
×
32;服装外观编码器则是利用在ImageNet上预训练好的ResNet50进行改进,其中删除了全局平均池化层和完全连接层,取而代之的是最大池化层,输出的服装外观代码尺寸为2048
×4×
1。步骤2.2:将解耦出的行人姿态特征与服装外观特征交叉组合,利用解码器生成同一姿态不同服装以及同一服装不同姿态的行人图像;步骤2.3:通过判别器来判断生成的图像是否逼真,并采用对抗性损失来匹配生成图像的分布与实际数据分布,其中对抗约束如下:其中x
i
∈D
query
,D
query
={x
i
|i=1,2,...,n},D
query
是指query里的目标行人数据集,其中n是数据集中的样本数量。D是判别器,G是生成器,f
ip
,分别代表x
i
的姿态特征和x
j
的服装外观特征,其中x
j
∈D
gallery
,D
gallery
是指gallery里的行人数据集,f
ia
分别代表x
j
的姿态特征和x
i
的服装外观特征。3.根据权利要求2所述的行人姿态服装互换方法,其特征在于,步骤2.2中姿态服装特征交叉生成的方法为:步骤3.1:利用姿态编码器和服装外观编码器提取姿态特征和服装外观特征,在提取姿态特征时...
【专利技术属性】
技术研发人员:成科扬,梁赛,司宇,张海烽,严浏阳,沈维杰,
申请(专利权)人:镇江昭远智能科技有限公司南京昭视智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。