(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 202210244401.6 (22)申请日 2022.03.14 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 刘向增　刘坤鹏　柴春艳　宋建锋　 纪建　苗启广　 (74)专利代理 机构 西安恒泰知识产权代理事务 所 61216 专利代理师 李郑建 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/46(2022.01) G06V 10/774(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种换装行 人重识别方法 (57)摘要 本发明公开了一种换装 行人重识别方法， 包 括数据处理、 训练阶段和测试阶段。 所采用的网 路结构包含两个特征提取网络， 分别提取全局特 征和人体姿势关键点特征， 并设计特征增强方法 提升全局特征鲁棒性； 特征增强后的全局特征与 人体姿势关键点特征融合得到不同区域的特征。 同时在训练时对全局特征和不同区域的特征使 用不同的训练策略使得模型注意力集中分布于 分辨性强的区域， 削弱分辨性弱的区域的影响； 测试阶段使用原始 图片和剪切后的原始图片得 到全局特征和局部特征并将二者融合得到融合 特征来做余弦相似度排序， 得到测试结果。 缓解 了换装行人重识别衣物等面积占比较大区域特 征失效的问题， 为行人重识别在现实场景中应用 提供了新思路。 权利要求书2页 说明书5页 附图4页 CN 114639118 A 2022.06.17 CN 114639118 A 1.一种换装行 人重识别方法， 其特 征在于， 包括以下步骤： 步骤1， 收集实验数据并通过图片剪切将数据集中的图片进行划分， 保存补充到原始数 据集中； 步骤2， 训练阶段开始前， 对输入图片进行图片预处 理； 步骤3， 训练阶段， 提取出输入图片的全局特征和人体姿势关键点特征， 并将全局特征 与人体姿势关键点特 征进行融合； 步骤4， 训练网络， 使得不同人体区域的权 重进行区分； 步骤5， 测试阶段， 使用图片的全局特 征和局部特征的融合特 征来生成测试 结果。 2.如权利要求1所述的方法， 其特征在于， 步骤1中所述图片剪切是在原始图片高度上 分别进行二 等分和三 等分剪切。 3.如权利要求1所述的方法， 其特 征在于， 步骤2中所述图片预处 理按以下步骤进行： 步骤2.1， 对输入图片进行Resize操作； 步骤2.2， 对输入图片进行 Flipping操作； 步骤2.3， 对输入图片进行Randomerasi ng操作。 4.如权利要求1所述的方法， 其特征在于， 步骤3中所述的特征提取与融合按以下步骤 处理： 步骤3.1， 将图片输入特征提取网络A中得到特征fg， 同时将图片输入特征提取网络B中 得到特征fp、 fp1、 fp2、 fp3； 步骤3.2， 将特 征fg经过特征增强， 得到f ′g； 步骤3.3， 将f ′g与特征fp、 fp1、 fp2、 fp3逐像素相乘得到f ′p、 f′p1、 f′p2、 f′p3。 5.如权利要求4所述的方法， 其特征在于， 步骤3.1中所述的特征提取网络A采用 ResNet50网络结构， 特征提取网络B采用HRNet网络结构； 其中， 特征提取网络B提取出的特 征fp为完整的人体姿势关键点特征， 特征fp1、 fp2、 fp3分别为对人体姿势关键点进行区分后 的头部关键点特 征、 上身关键点特 征、 下身关键点特 征。 6.如权利要求 4所述的方法， 其特 征在于， 步骤3.2中所述的特 征增强按以下步骤实施： 步骤3.2.a， 将输入的特征fg首先和人体姿势关键点特征中每个关键点的最大值逐像素 相乘得到mask特 征； 步骤3.2.b， 将输入特 征fg依次经过1×1卷积、 Batc hNorm层和Relu层； 步骤3.2.c， 将步骤3.2.b得到的特征依次经过多头自注意力机制MultiHeadSelf   Attention、 BatchNorm层和Relu层； 步骤3.2.d， 将步骤3.2.c得到的特 征依次经 过1×1卷积和Batc hNorm层； 步骤3.2.e， 将步骤3.2.d得到的特征和步骤3.2.a得到的mask特征进行加和操作， 经过 一层Relu层后得到特 征增强后的特 征f′g。 7.如权利要求1所述的方法， 其特征在于， 步骤4中所述训练网络， 使得不同人体区域的 权重进行区分的具体实现方式为： 步骤4.1， 对步骤3中得到的特 征f′p使用三元组损失和交叉熵损失； 步骤4.2， 对f ′p1做交叉熵损失， 并以f ′p为target 做均方误差损失； 步骤4.3， 根据f ′p1、 f′p2、 f′p3找出辨别性强的区域特征， 将具有强辨别性的特征与全局 特征的距离拉近 。权　利　要　求　书 1/2 页 2 CN 114639118 A 28.如权利要求1所述的方法， 其特 征在于， 步骤5中所述 生成测试 结果按以下步骤进行： 步骤5.1， 加载在训练 阶段训练好的模型， 输入测试图片， 经过图片预处理后， 经过练好 的模型提取 出图片的特 征； 步骤5.2， 将全局特 征和局部特征进行融合。 步骤5.3， 将融合的测试特征与查询图片的特征根据余弦相似度进行对比排序， 将测试 结果进行保存。 9.如权利要求8所述的方法， 其特 征在于， 步骤5.2中所述特 征融合按以下步骤实施： 步骤5.2.a， 输入图片， 分为原始图片和剪切后的图片， 分别用来提取全局特征和局部 特征； 步骤5.2.b， 根据融合策略对 全局特征和局部特征进行加权后得到融合后的特 征。权　利　要　求　书 2/2 页 3 CN 114639118 A 3