(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 202210321956.6 (22)申请日 2022.03.29 (71)申请人 辽宁工程技术大学 地址 123000 辽宁省阜新市细河区中华路 47号 (72)发明人 孙劲光　吴明岩　 (74)专利代理 机构 北京华夏正 合知识产权代理 事务所(普通 合伙) 11017 专利代理师 韩登营 (51)Int.Cl. G06V 40/10(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/80(2022.01)G06V 10/82(2022.01) (54)发明名称 一种基于加权特 征融合的行 人重识别方法 (57)摘要 本发明公开了一种基于加权特征融合的行 人重识别方法， 步骤为： 输入行人图像， 通过主干 网络ResNeSt ‑50提取到 行人的特征； 将从主干网 络获取的不同特征输入到加权特征融合金字塔 模型中， 得到多尺度的包含高层语义信息和低层 高分辨率信息的特征； 在全局分支网络中将高层 语义特征作为全局特征； 在局部分支网络中将低 层高分辨率特征作为局部特征； 联合Softmax损 失函数、 三元组损失函数和中心损失函数分别对 全局特征和局部特征进行优化训练。 本发明在加 权特征金字塔网络中进行特征的融合， 将高层语 义特征语作为全局特征； 联合Softmax损失函数、 三元组损失函数和 中心损失函数分别对全局特 征和局部 特征进行优化训练， 提高了行人识别的 精度和准确率。 权利要求书1页 说明书3页 附图3页 CN 114639124 A 2022.06.17 CN 114639124 A 1.一种基于加权特 征融合的行 人重识别方法， 其特 征在于， 包括以下步骤： 步骤S1： 输入行 人图像， 通过主干网络ResNeSt ‑50提取到行 人的特征； 步骤S2： 将从主干网络获取的不同特征输入到加权特征融合金字塔模型中， 得到多尺 度的包含高层语义信息和低层高分辨 率信息的特 征； 步骤S3： 在全局分支网络中将高层语义特征作为全局特征； 在局部分支网络中将低层 高分辨率特征作为局部特 征； 步骤S4： 联合Softmax损失函数、 三元组损失函数和中心损失函数分别 对全局特征和局 部特征进行优化训练。 2.如权利要求1所述的基于加权特征融合的行人重识别方法， 其特征在于， 在步骤S1中 的行人图像会随机的进行 随机擦除和水平翻转操作， 增加 了行人数据量； 当使用ResNeSt ‑ 50网络提取 行人特征时， 会获得 下采样3、 4和5倍的特 征图。 3.如权利要求2所述的基于加权特征融合的行人重识别方法， 其特征在于， 在步骤2中， 将步骤1中获得的下采样3、 4和5倍的特征图作为输入到加权特征金字塔网络中， 获得下采 样3、 4、 5和6倍的经 过加权融合的特 征图。 4.如权利要求3所述的基于加权特征融合的行人重识别方法， 其特征在于， 在步骤3 中， 将步骤2中下采样5倍和6倍的特征图在通道维度上进行连接， 再经过全局平均池化获得全 局特征； 下采样3倍和4倍的特征图在通道维度上进行连接， 将特征图水平均匀的划分为4 份， 然后对这 4个特征图分别进行广义均值池化， 并将结果连接起 来获得局部特 征。权　利　要　求　书 1/1 页 2 CN 114639124 A 2一种基于加权 特征融合的行人重识别方 法 技术领域 [0001]本发明属于行人重识别的技术领域， 尤其涉及一种基于加权特征融合的行人重识 别方法。 背景技术 [0002]行人重识别是指在跨摄像头跨场景的情况下， 寻找特定 的行人视频序列或图像。 随着智能视频系统和智能安防应用的领域越来越多， 行人重识别也吸引着越来越多的学者 进行研究。 由于摄像头参数不同和场景 的不同， 会有光照、 遮挡或多姿态变化等问题， 导致 同一个人拍摄出来的行 人图像也会有很大的差异， 这 就会为网络提取 特征增加了难度。 [0003]目前的行人重识别方法大多采用全局特征和局部特征融合的方法， 一般会引进特 征金字塔加强 高层语义特征和 低层高分辨率特征的融合， 但是在融合的过程中没有考虑在 特征融合时， 不同特 征融合的贡献度问题。 发明内容 [0004]基于以上现有技术的不足， 本发明所解决的技术问题在于提供一种基于加权特征 融合的行人重识别 方法， 通过ResNeSt ‑50网络提取特征， 在加 权特征金字塔网络中进行特 征的融合， 将高层语义特征语作为全局特征， 将低层高分辨率特征作为局部特征； 联合 Softmax损失函数、 三元组损失函数和中心损失函数分别对全局特征和局部特征进行优化 训练， 提高了行 人识别的精度和准确率。 [0005]为了解决上述 技术问题， 本发明通过以下技 术方案来实现： [0006]本发明的基于加权特 征融合的行 人重识别方法， 包括以下步骤： [0007]步骤S1： 输入行 人图像， 通过主干网络ResNeSt ‑50提取到行 人的特征； [0008]步骤S2： 将从主干网络获取的不 同特征输入到加权特征融合金字塔模型中， 得到 多尺度的包 含高层语义信息和低层高分辨 率信息的特 征； [0009]步骤S3： 在全局 分支网络中将高层语义特征作为全局特征； 在局部分支网络中将 低层高分辨 率特征作为局部特 征； [0010]步骤S4： 联合Softmax损失函数、 三元组损失函数和中心损失函数分别对全局特征 和局部特征进行优化训练。 [0011]优选的， 在步骤S1中的行人图像会 随机的进行随机擦除和水平翻转操作， 增加了 行人数据量； 当使用ResNeSt ‑50网络提取 行人特征时， 会获得 下采样3、 4和5倍的特 征图。 [0012]可选的， 在步骤2中， 将步骤1中获得的下采样3、 4和5倍 的特征图作为输入到加权 特征金字塔网络中， 获得 下采样3、 4、 5和6倍的经 过加权融合的特 征图。 [0013]可选的， 在步骤3中， 将步骤2中下采样5倍和6倍的特征图在通道维度上进行连接， 再经过全局平均池化获得全局特征； 下采样3倍和4倍的特征图在通道维度上进行连接， 将 特征图水平均匀的划分为4份， 然后对这4个特征图分别进行广义均值池化， 并将结果连接 起来获得局部特 征。说　明　书 1/3 页 3 CN 114639124 A 3