CN114708620B 一种应用于无人机的航空视角下行人重识别方法及系统 （山东交通学院）

号一种应用于无人机的航空视角下行人重识应用于无人机的航空视角下行人重识别方法及判断所述待搜索图像数据集中是否存在所述目2获取航空视角下的目标行人图像和待搜索图对所述目标行人图像和每幅待搜索图像，分别采用预先训练的根据所述目标行人图像和各幅待搜索图像特征之间的相似度，其中，所述无人机行人重识别网络包括多尺度卷积模块和加在主干网络的第三层和第五层进行了信息的交换：其中第四层第三层两个子网的输出之和，第六层的每条子网络的输入是第五层三个子网的输出之和，深度可分离卷积单元采用感受野大小为3×3的深度可分5.如权利要求1或3所述的应用于无人机的航空视角下行人重识别方法，其特征在于，3特征提取模块，用于对所述目标行人图像和每幅待搜索图行人重识别模块，用于根据所述目标行人图像和各幅待搜索图像特征之间的相似度，其中，所述无人机行人重识别网络包括多尺度卷积模块和加在主干网络的第三层和第五层进行了信息的交换：其中第四层第三层两个子网的输出之和，第六层的每条子网络的输入是第五层三个子网的输出之和，9.一种电子设备，包括存储器、处理器及存储在4[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技[0003]行人重识别(Re-ID)的目的是在多个互相之间没有联系的摄像机中寻找具有相同[0005]得益于MoblieNet所提出的深度可分离卷积层使得网络在尽可能保持原有精度的5值为LRBlock中不同分支的输出或无人机行人重识别网络(UAV-Re-ID)第六层的输出，表[0020]进一步地，所述深度可分离残差卷积块包括多尺度卷积6[0025]一个或多个实施例提供了一种应用于无人机的航空视角下行人重识别系统，包为LRB1ock中不同分支的输出或无人机行人重识别网络(UAV-Re-ID)第六层的输出，表示7注意力模块来动态的调节每个分支所占的比重。通过在分支网络后面添加加权注意力模[0044]图1为本发明一个或多个实施例中所述一种应用于无人机的航空视角下行人重识[0048]图5为基于本发明一个或多个实施例中所述无人机行人重识别网络，对行人进行种应用于无人机嵌入式设备的航空视角下行人重识别方法，从可以很好的解决行人追踪、8所得到特征矩阵为8×8×256，得到这样的一个特征矩阵所需要的的运算量为1228800次，而如果使用深度可分离卷积，首先使用三个大小为5×5×1的卷积核对图片进行处理得到一个8×8×3的特征矩阵，之后利用256个1×1×3的卷积核对特征矩阵进行进一步的处理[0058]所述步骤2中，所述无人机行人重识别网络基于深度学习网络架构PBWA-Net训练得到。本实施例以深度可分离残差卷积块(LRBlock)作为所述深度学习网络架构PBWA-Net[0060]如图2所示，所述深度学习网络架构PBWA-Net包括依次连接的输入层、初始卷积一个下采样层的并行网络有n-1组深度可分离残差卷积块，连接主干网络第二个下采样层9三个子网络学习得到的信息进行交换融合从而使每条分支子网络可以得到包含更多信息只占100像素左右。因此如何从有限的信息中尽可能多的获得判别特征是无人机视角下行由于不同分支内部的LRBlock的感受野大小不同，因此不同分支可以不同尺度的特征。并不共享分别使用独立的加权注意力模块来对特征进[0070]LRBlock计算过程如公式(1)所示。其中WAM表示加权注意力模块，Lite()表示[0072]与ResNet不同的是，上述残差结构并不是简单地将输入使用两个不同感受野大小的分支同时学习不同尺度的特征，从而使得LRBlock学习到更多网络的最后添加加权注意力模块，从而给每条子网络分配不同的权值。同时，在每个差卷积块(LRBlock)两个分支的输出分别连接一层注意力网络。两个加权注意力模块的参为LRBlock中不同分支的输出或无人机行人重识别网络(UAV-Re-ID)第六层的输出，表示[0079]通过加权注意力模块(WAM)我们可以将不同尺度的子网络学习到的信息进行区分同，三元组损失需要一个特征而交叉熵损失需要一个概率，因此我们采用一个全连接层[0100]PRAI-1581数据集是通过两架无人机在不同的高度和不同的地点对1581个行人进立的相机拍摄了1501个行人身份的32668张图片所构成。为了测试模型的稳定性数据集专将702个行人身份的16522张图片用作训练集702个行人身份的2228张图像用作查询集，剩Net在保证轻量化的同时精度达到了先进的水平。与只使用了串行深度可分离卷积的1score和mAP分别提高了13.5％和15.4这说明并行网络结构相比于串行网络结构能学习到更多的判别信息。在GoogleNet中将网络运算中一些稀疏矩阵进行聚类使之变为稠密办法相较于之前的方法精度有了一定的提升但与本发明的方法相比，PBWA-Net要比SP+TL轻量级模型OSNet与CDNet中，OSNet使用统一聚合门来调节不同尺度特征之间的权值，Market1501与DukeMTMC数据集中PB-Net精度和两种方法相差无几，而在PRAI-1581数据集中我们比OSNet在Rank-1score和mAP分别提高了3.7％和6.5比CDNet在Rank-1score和[0109]