基于多尺度多粒度融合的行人重识别方法

行人重识别是指利用计算机视觉技术在给定监控的图像中识别目标行人,受拍摄场景视角和姿势变化、遮挡等因素的影响,现有基于局部特征的行人重识别方法所提取的特征辨别力差,从而导致重识别精度较低.为有效地利用特征信息,提出一种多尺度多粒度融合的行人重识别方法MMF-Net.通过多个分支结构学习不同尺度和不同粒度的特征,并利用局部特征学习优化全局特征,以加强全局特征和局部特征的关联性.同时,在网络的低层引入语义监督模块以提取低层特征,并将其作为行人图像相似性度量的补充,实现低层特征和高层特征的优势互补.基于改进的池化层,通过结合最大池化和平均池化的特点获取具有强辨别力的特征.实验结果表明,MMF-Net方法在Market-1501数据集上的首位命中率和mAP分别为95.7％和89.1％,相比FPR、MGN、BDB等方法,其具有较优的鲁棒性.