一种夜间行人重识别方法、装置、设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115223203A(43)申请公布日2022.10.21(21)申请号202210845929.9G06V10/40(2022.01)(22)申请日2022.07.19G06N3/08(2006.01)G06N3/04(2006.01)(71)申请人安徽大学地址230039安徽省合肥市蜀山区肥西路3号(72)发明人李成龙曹凡鹿安东汤进(74)专利代理机构合肥市浩智运专利代理事务所(普通合伙)34124专利代理师丁瑞瑞(51)Int.Cl.G06V40/10(2022.01)G06V20/52(2022.01)G06V10/80(2022.01)G06V10/774(2022.01)G06V10/764(2022.01)权利要求书3页说明书8页附图3页(54)发明名称一种夜间行人重识别方法、装置、设备及存储介质(57)摘要本发明公开了一种夜间行人重识别方法、装置、设备及存储介质，所述方法包括：训练夜间行人重识别网络得到训练好的网络；将原始图像送入DCE‑Net获得映射图，使用映射图对原始图像迭代进行亮度增强，得到亮度增强后的图像，送入第一ResNet50中，得到亮度增强后的图像的特征图；将原始图像送入第二ResNet50，得到原始图像的特征图；将原始图像的特征图和经过亮度增强后的图像的特征图通过级联操作获得融合特征，送入亮度蒸馏模块，获得最终的融合特征；将最终的融合特征与图库中各图像对应的特征进行对比，根据相似性得分进行排序得到识别结果；本发明的优点在于：保留身份判别信息，从而对夜间行人重识别的能力较强。CN115223203ACN115223203A权利要求书1/3页1.一种夜间行人重识别方法，其特征在于，所述方法包括：步骤一：训练夜间行人重识别网络得到训练好的网络，所述夜间行人重识别网络包括亮度增强分支、主干分支、亮度蒸馏模块，所述亮度增强分支由DCE‑Net和第一ResNet50组成，DCE‑Net由七个具有对称跳跃连接结构的卷积层组成；主干分支由第二ResNet50组成；亮度蒸馏模块由瓶颈融合子网络组成，瓶颈融合子网络为编解码结构；步骤二：将原始图像送入训练好的网络，先经过DCE‑Net获得与原始图像具有相同大小的像素级曲线参数映射图，使用映射图对原始图像迭代进行亮度增强，得到亮度增强后的图像，将亮度增强后的图像送入第一ResNet50中，得到亮度增强后的图像的特征图；步骤三：将原始图像送入第二ResNet50，得到原始图像的特征图；步骤四：将原始图像的特征图和经过亮度增强后的图像的特征图通过级联操作获得融合特征，送入亮度蒸馏模块，获得最终的融合特征；步骤五：将最终的融合特征与图库中各图像对应的特征进行对比，根据相似性得分进行排序得到识别结果。2.根据权利要求1所述的一种夜间行人重识别方法，其特征在于，所述步骤一包括对亮度增强分支的损失函数构建：将原始图像送入DCE‑Net，获得与原始图像具有相同大小的像素级曲线参数映射图，使用映射图对原始图像迭代进行亮度增强，达到预设的迭代次数后，得到亮度增强后的图像；迭代进行亮度增强的公式为In＝LE(In‑1；An)，且LE(I0,A1)＝I0+A1*I0*(1‑I0)，其中，In为n次迭代后得到的亮度增强图像的像素值，An为参与第n次迭代所使用的映射图的像素值；将亮度增强后的图像送入第一ResNet50中，得到亮度增强后的图像的特征图，送入第一分类器，预测行人ID，亮度增强分支的损失函数为LIEB＝LID+λ1LDCE且其中，λ1为平衡系数，LDCE为光照增强损失，B为送入第一分类器的待训练的图像的数量，为第b个待训练的图像属于真实图像ID标签的预测概率。3.根据权利要求2所述的一种夜间行人重识别方法，其特征在于，所述步骤一还包括对主干分支的损失函数构建：将原始图像送入第二ResNet50，得到原始图像的特征图，然后送入第二分类器，主干分支的损失函数为LMB＝LID。4.根据权利要求3所述的一种夜间行人重识别方法，其特征在于，所述步骤一还包括对亮度蒸馏模块的损失函数构建：将原始图像的特征图和经过亮度增强后的图像的特征图通过级联操作获得融合特征，送入亮度蒸馏模块，获得最终的融合特征，将最终的融合特征送入第三分类器，亮度蒸馏模2块的损失函数为LIDM＝LID+λ2Lrec，其中，λ2为平滑参数，Lrec＝||zout‑zin||，zout和zin分别为经过瓶颈融合子网络重建后的特征和输入瓶颈融合子网络前的级联特征；然后将亮度蒸馏模块的预测结果分别与主干分支的预测结果以及亮度增强分支的预测结果进行损失计算，损失函数为其中，Pt为亮度蒸馏模块的预测身份概率，Ps为主干分支或者亮度增强分支的预测身份概率，S为学生模型，t为教