一种基于深度换装的行人重识别方法与流程

技术特征：
1.一种基于深度换装的行人重识别方法，其特征在于，包括以下步骤：1)利用深度换装模型和预先选定的衣着模板将训练集图片中的行人换装，保存并补充到训练集中。2)在训练阶段，使用原始图片特征提取分支网络e和深度换装特征提取分支网络m，分别提取原始图片和深度换装图片的身份特征和衣着特征，并训练网络e和m，使得提取的特征具有更好的分类效果。3)在训练阶段，训练网络e和m，使得e和m提取的身份特征的距离更近。4)在测试阶段，只使用原始图片特征提取分支网络e完成身份信息的提取，使用身份信息进行相似度的度量和身份推断，相似度最高的为最终匹配结果。2.根据权利要求1所述基于深度换装的行人重识别方法，其特征在于，步骤2)中，原始图片特征提取分支网络e和深度换装特征提取分支网络m，分别提取原始图片和深度换装图片的身份特征和衣着特征，具体过程为：图片首先输入主干网络提取特征f
s
，然后经注意力机制分离为身份特征和衣着特征：f
s
＝backbone (i)f
clo
＝atten(f
s
)*f
s
f
id
＝(1
‑
atten(f
s
))*f
s
其中，f
clo
为衣着信息特征，f
id
为身份信息特征，f
s
为行人图片输入主干网络提取的特征，i为图片输入，atten(f
s
)为注意力机制应用到f
s
得到的注意力图。3.根据权利要求2所述基于深度换装的行人重识别方法，其特征在于，步骤2)中，经注意力机制分离出的衣着特征和身份特征，利用一种分类损失进行监督训练：意力机制分离出的衣着特征和身份特征，利用一种分类损失进行监督训练：其中，ce代表一种分类损失。4.根据权利要求1所述基于深度换装的行人重识别方法，其特征在于，步骤3)中，网络e和网络m分别提取出原始图片和深度换装图片的身份特征和衣着特征。训练e和m以最小化两个分支的身份特征之间的距离：其中，ic表示深度换装后的图片，i表示原始图片。5.根据权利要求1所述基于深度换装的行人重识别方法，其特征在于，步骤4)具体为：在测试阶段，不使用深度换装特征提取分支网络m，一张行人图片输入到原始图片特征提取分支网络e中提取身份特征，用于行人身份推断。6.根据权利要求1所述基于深度换装的行人重识别方法，其特征在于，步骤1)中，深度换装模型采用pf
‑
afn等。7.根据权利要求2所述基于深度换装的行人重识别方法，其特征在于，步骤2)中，网络e和m的主干网络采用resnet
‑
50网络结构。8.根据权利要求2所述基于深度换装的行人重识别方法，其特征在于，步骤2)中，注意力机制由通道注意力和空间注意力组成。
9.根据权利要求3所述基于深度换装的行人重识别方法，其特征在于，步骤2)中，分类损失采用基于交叉熵的分类损失和三元组损失。10.根据权利要求4所述基于深度换装的行人重识别方法，其特征在于，步骤3)中，使用mse度量函数，度量网络e和m提取的身份特征的距离。

技术总结
本发明公开了一种基于深度换装的行人重识别方法，包括训练阶段和测试阶段。整体框架分为两个分支：原始图片特征提取分支网络E，深度换装特征提取分支网络M。首先利用现成深度换装模型对训练数据集中的图片进行换装，并保存到训练数据集中。在训练阶段，两个分支均参与训练。以深度换装特征提取分支M为例，深度换装后的行人图片输入到主干网络中提取特征，之后经注意力机制分离为身份特征和衣着特征。这两个分支提取的身份特征尽可能的拉近来提取更鲁棒的身份特征。在测试阶段，对于输入的图片只使用网络E提取身份特征，用于身份推断。本发明可以完成行人重识别任务，将有效的降低行人换装等外观变化对行人重识别的消极影响。人换装等外观变化对行人重识别的消极影响。人换装等外观变化对行人重识别的消极影响。


技术研发人员：闫禹铭 于慧敏 李殊昭
受保护的技术使用者：浙江大学
技术研发日：2021.10.09
技术公布日：2022/1/4