申请/专利权人:成都理工大学
申请日:2024-01-24
公开(公告)日:2024-04-26
公开(公告)号:CN117935157A
主分类号:G06V20/52
分类号:G06V20/52;G06V40/10;G06V10/774;G06V10/82;G06N3/0464;G06N3/045;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.14#实质审查的生效;2024.04.26#公开
摘要:本发明涉及行人重识技术领域,且公开了一种基于非邻接节点的图注意力行人重识别方法,包括以下步骤:S1:对现有的图像样本训练数据进行全局和关键点特征提取;S2:根据人体骨骼结构,通过关键点之间的骨骼连接关系构建邻接矩阵A和度矩阵D,并基于人体关键点和邻接矩阵构造出人体图结构G;S3:计算相邻节点i和j之间的注意力系数;S4:度矩阵的逆D‑1与邻接矩阵A相乘获得扩散矩阵,使用度矩阵D与邻接矩阵A构建归一化拉普拉斯矩阵S,表示为图的扩散矩阵;扩散矩阵S与注意力系数矩阵a相乘获得带有非邻接节点联系的注意力系数矩阵a'。本发明降低特征对遮挡信息的敏感度,增强对行人特征整体把握能力,提高了模型的鲁棒性和准确率。
主权项:1.一种基于非邻接节点的图注意力行人重识别方法,其特征在于:包括以下步骤:S1:对现有的图像样本训练数据进行全局和关键点特征提取;分别使用人体姿态估计网络和CNN对输入的待识别行人图片进行处理,得到人体m个n维关键点热力图和行人图片全局特征向量将关键点热力图H和行人图片全局特征向量fg点乘,得到人体关键点特征向量即fl=fggH;S2:根据人体骨骼结构,通过关键点之间的骨骼连接关系构建邻接矩阵A和度矩阵D,并基于人体关键点和邻接矩阵构造出人体图结构G;S3:计算相邻节点i和j之间的注意力系数,并构建注意力系数矩阵a,即 S4:度矩阵的逆D-1与邻接矩阵A相乘获得扩散矩阵,使用度矩阵D与邻接矩阵A构建归一化拉普拉斯矩阵S,表示为图的扩散矩阵,即S=D-1A;S5:扩散矩阵S与注意力系数矩阵a相乘获得带有非邻接节点联系的注意力系数矩阵a',即a'=a′S;S6:通过多头图注意力获得具有邻接和非邻接节点特征的注意力增强特征f'lxi和仅有邻接节点特征的注意力增强矩阵f'lyi,并将两个特征通过一个可训练的参数b相加,获得最终特征f'li,即 其中K表示有K个头进行训练,s为激活函数,代表与i的相邻节点和跨一阶非邻接节点 其中K表示有K个头进行训练,s为ReLU激活函数,代表与i的相邻节点f'li=b′f'lxi+1-b′f'lyi+fli。
全文数据:
权利要求:
百度查询: 成都理工大学 一种基于非邻接节点的图注意力行人重识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。