(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210266865.7 (22)申请日 2022.03.17 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区黄桷垭崇文路2 号 (72)发明人 雒江涛　纵荣光　任媛　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 专利代理师 廖曦 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种多分支细粒度特征融合的行人重识别 方法 (57)摘要 本发明涉及一种多分支细粒度特征融合的 行人重识别方法， 属于计算机视觉领域， 包括以 下步骤： 获取行人数据并进行数据预处理， 采用 残差网络建立行人特征提取网络； 构建行人重识 别网络的全局分支、 局部分支、 局部关联分支； 采 用行人重识别网络的全局分支、 局部分支、 局部 关联分支分别提取全局特征、 局部特征、 局部关 联特征； 将所述全局特征、 局部特征、 局部关联特 征在通道维度拼接， 作为行人的外观特征表示； 将待查询行人与查询库中的行人特征向量计算 欧式距离， 按照相似度进行排序， 得到与待查询 行人最相似的行人。 本发明设计了一种多分支细 粒度特征融合重识别方法， 通过融合全局和局部 特征， 使得行人重识别网络提取的特征具有更强 的分辨能力。 权利要求书2页 说明书5页 附图2页 CN 114581956 A 2022.06.03 CN 114581956 A 1.一种多分支细粒度特 征融合的行 人重识别方法， 其特 征在于： 包括以下步骤： S1： 获取行人数据集， 分为训练集、 测试集、 查询集， 并进行数据预处理， 包括数据归一 化、 随机擦除、 水平翻转； S2： 利用残差网络ResNet建立特 征提取网络， 提取 行人高阶特 征； S3： 构建行 人重识别网络的全局分支、 局部分支、 局部关联分支； S4： 训练行 人重识别网络； S5： 采用行 人重识别网络的全局分支进行全局特 征提取， 获得全局特 征； S6： 采用行 人重识别网络的局部分支进行局部特 征提取， 获得局部特 征； S7： 采用行 人重识别网络的局部关联分支进行局部关联 特征提取， 获得局部关联 特征； S8： 将所述全局特征、 局部特征、 局部关联特征在通道维度拼接， 作为行人的外观特征 表示， 将待查询行人与查询库中的行人特征向量计算欧式距离， 按照相似度进 行排序， 得到 与待查询行 人最相似的行 人。 2.根据权利要求1所述的多分支细粒度 特征融合的行人重识别方法， 其特征在于： 步骤 S2所述利用残差网络建立特 征提取网络， 提取 行人高阶特 征， 具体包括： 采用残差网络的conv1、 conv2_x、 conv3_x、 conv4_x建立特征提取网络， conv1只包含 7x7卷积和最大池化， co nv2_x、 co nv3_x、 co nv4_x均为残差结构， 最后生成行 人的高阶特 征。 3.根据权利要求1所述的多分支细粒度 特征融合的行人重识别方法， 其特征在于： 步骤 S5所述采用行 人重识别网络的全局分支进行全局特 征提取， 获得全局特 征， 具体包括： 所述全局分支包括残差网络的conv5_x残差模块和降维操作， 高阶特征经过conv5_x后 进行全局平均池化得到一维特征向量， 并利用1 ×1卷积、 批归一化、 ReLU激活函数， 对特征 做降维处 理。 4.根据权利要求1所述的多分支细粒度 特征融合的行人重识别方法， 其特征在于： 步骤 S6所述采用行 人重识别网络的局部分支进行局部特 征提取， 获得局部特 征， 具体包括： 所述局部分支包括残差网络的conv5_x和特征切分模块， 高阶特征经过conv5_x后对特 征进行水平分割得到k个局部特征图， k个局部特征图经过全局平均池化后在通道维度进 行 拼接， 并利用1 ×1卷积、 批归一 化、 ReLU激活函数， 对特 征做降维处 理。 5.根据权利要求1所述的多分支细粒度 特征融合的行人重识别方法， 其特征在于： 步骤 S7所述采用行人重识别网络的局部关联进行局部关联特征提取， 获得局部关联特征， 具体 包括： 所述局部关联分支包括残差网络的conv5_x和特征关联模块， 高阶特征经过conv5_x后 对特征进 行水平分割得到k个局部特征图， 对k个局部特征图执行全局平均池化得到一 维特 征向量fi(i＝1,2,3...k)， 依次选取k ‑1个特征执行平均池化得到ri(i＝1,2,3...k)， 然后 对ri、 fi降维得到ri′、 fi′， 最后对fi、 ri′、 fi′计算局部关系得到局部关联特征qi(i＝1,2, 3...k)， 局部特 征关联过程如下： qi＝fi+Bp(C(ri′,fi′)) 其中， Bp是一个局部特 征提取网络， C表示特 征向量的拼接 。 6.根据权利要求1所述的多分支细粒度 特征融合的行人重识别方法， 其特征在于： 步骤权　利　要　求　书 1/2 页 2 CN 114581956 A 2S4所述训练行 人重识别网络， 训练的联合损失函数为： Ltotal＝Lce+2LTri 其中， Lce为交叉熵损失， LTri为三元组损失； 其中， N表示一个批次的行人图像数量， yi和 分别表示当前图像的真实标签和预测的 标签； xa、 xp、 xn分别表示锚点样本、 正样本、 负样本， xa和xp是具有相同ID的样本， xn和xa是具 有不同ID的样本； F( ·)表示重识别网络提取的特征， α 为距 离阈值， 为正负样本 特征的 欧式距离 。权　利　要　求　书 2/2 页 3 CN 114581956 A 3