【技术实现步骤摘要】
本专利技术属于计算机视觉，具体涉及一种基于服装语义渐进式引导学习的换衣行人重识别方法。
技术介绍
1、行人重识别是计算机视觉中的重要任务，主要用于在多摄像头场景中，通过比较不同时间、不同视角下的图像或视频，识别出同一行人。随着智能监控和公共安全需求的增长，行人重识别技术在实际应用中扮演了关键角色。近年来，随着深度学习算法的不断演进，行人重识别的精度和鲁棒性显著提升，使得该技术在跨视角、光照变化、遮挡等复杂场景中依然能够保持较高的识别率。这也进一步推动了其在现实生活中的广泛应用，如智能交通、智慧安防和社会治安管理等领域。
2、行人重识别通过在不同摄像头拍摄的图像或视频中匹配并识别同一行人，受摄像头视角变化、光照条件波动、行人姿态多样性、遮挡以及着装变化的影响，使得行人重识别成为一个具有挑战性的任务。这些因素往往在实际场景中同时存在，增加了提取鲁棒特征的难度。早期的方法依赖人工设计的特征，集中在颜色和纹理等底层信息上，但在光照变化或行人更换服装时，其可靠性大幅下降。此外，远距离拍摄、低像素图像以及复杂背景的变化进一步降低了识别的准确性，因此如何在这些情况下提升行人重识别性能仍是研究的关键挑战。
3、近年来，随着深度学习技术的快速发展，行人重识别领域取得了显著成果。特别是大规模数据集如cuhk03、market1501的发布，以及深度卷积神经网络的广泛应用，使得行人重识别技术得到广泛关注。基于深度学习的方法，如wei li等人提出的deep reid通过深度卷积网络自动学习身份敏感和视点不敏感的特征，以及lia
4、不仅如此，近年来的发展还包括利用人体骨架点和姿态预测来校准特征提取，使得行人重识别在遮挡和复杂背景下的表现有了明显提升。例如，pgfa方法利用关键点信息生成注意力图，引导模型关注没有被遮挡的区域，并在特征提取时剔除无关信息，显著提高了模型在遮挡情况下的表现。
5、尽管基于深度神经卷积网络的方法取得了显著的进展，但一些关键问题尚未得到充分解决，并且阻碍了行人重识别技术的进一步推广和产品化。
6、首先，现有的行人重识别数据集与真实应用场景存在显著差距。目前数据集通常基于短时间段内采集的图像，可能只覆盖几天的监控视频，因此样本中的行人往往不会经历显著的着装变化。然而，实际应用中的行人重识别系统通常部署在长期运行的摄像头网络中，同一行人前后被拍摄的时间间隔较长，换衣、配饰变化等情况非常普遍。此外，光照、天气等环境因素的变化也进一步加剧了行人外貌表征的多样性，从而增加了识别的难度。
7、其次，虽然一些方法如hehe fan等人提出的pul方法尝试通过无监督学习来解决数据标注难题，但这些方法并未充分考虑换衣带来的挑战。此外，现有行人重识别方法大多依赖于衣物和配饰的特征进行判别，这在处理服装剧烈变化时效果不佳。这使得模型在实际应用中的表现受限，尤其是在需要处理复杂换衣场景时。
8、综上所述，目前阻碍行人重识别方法产品化的关键问题包括：1、缺乏带有大量行人表征变化的已标记的训练数据；2、缺乏对行人表征变化具有鲁棒性的特征学习方法。
技术实现思路
1、为了克服上述缺点，本专利技术提供了一种基于服装语义渐进式引导学习的换衣行人重识别方法，使得在行人外貌变化丰富的场景下，能够学习得到更鲁棒的判别性特征。
2、为实现上述目的，本专利技术提供一种基于服装语义渐进式引导学习的换衣行人重识别方法，方法包括：
3、(1)获取待处理的行人图像，并划分成训练集和测试集；利用人类关键点解析工具对训练集进行处理，生成每张行人图像的掩码图像以构建掩码图像训练集；
4、(2)使用预训练的resnet50模型提取训练集中原始图和训练集掩码的行人特征；
5、(3)初始化行人的类别均值，计算每一类别下所有图像特征的算数平均值，以此作为该类别的类别均值；
6、(4)通过渐进式引导学习模块，将经过resnet50网络提取的行人特征与该类行人的类别均值融合为查询特征。计算查询特征与训练集掩码行人特征的相似度矩阵，作为正样本特征。同时计算查询特征与该类行人类别均值的相似度矩阵，得到相似度差异矩阵作为负样本特征，将正负样本特征输入对比学习范式中进行服装语义渐进式引导学习，计算渐进式引导学习损失并更新模型的参数；
7、(5)通过服装特征增强学习模块，将经过resnet50网络提取的行人特征与该类行人的类别均值进行融合，增强每个类别下行人图像的服装特征表征能力，把融合后的特征输入服装特征增强学习损失函数，计算服装特征增强学习损失并更新模型的参数；
8、(6)最后，提取出查询数据集和测试数据集中的行人特征，计算查询图像与测试图像在特征空间中的距离，进行匹配以完成行人重识别，并评估识别性能。
9、本专利技术的有益效果为：
10、1.本专利技术提出了服装语义驱动的渐进式引导学习模块，让掩码图像在特征空间中不断趋近衣服丰富特征图像，在此过程中让模型学习到更多服装丰富的语义特征，从而获得了更鲁棒的行人特征描述。
11、2.本专利技术提出了服装特征增强学习模块，从特征空间的角度增强每一类别下行人图像的服装表征能力，使得在行人服装变化丰富的场景下，能够学习得到更鲁棒的判别性特征。
12、3.本专利技术的基于服装语义渐进式引导学习的换衣行人重识别方法，在相关的换衣行人重识别数据集中达到了优异的效果，识别的性能以及稳定性更高。
本文档来自技高网...【技术保护点】
1.一种基于服装语义渐进式引导学习的换衣行人重识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤(3)初始化行人的类别均值的方法如下：
3.根据权利要求1所述的方法，其特征在于，步骤(4)中渐进式引导学习模块的训练方法如下：
4.根据权利要求1所述的方法，其特征在于，步骤(5)中服装特征增强学习模块的训练方法如下：
【技术特征摘要】
1.一种基于服装语义渐进式引导学习的换衣行人重识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤(3)初始化行人的类别均值的方法如下：
...
【专利技术属性】
技术研发人员：王少娜，宋梦圆，石山浩，杨璐璐，石嘉，
申请(专利权)人：天津工业大学，
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。