(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 202210469402.0 (22)申请日 2022.04.28 (71)申请人 武汉纺织大 学 地址 430200 湖北省武汉市江夏区阳光大 道1号 (72)发明人 熊明福　熊捷繁　何儒汉　 (74)专利代理 机构 上海思真远达专利代理事务 所(特殊普通 合伙) 31481 专利代理师 解丽丽 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于多区域注意力关联的空间关系模型行 人特征识别方法 (57)摘要 本发明公开了基于多区域注意力关联的空 间关系模型行人特征识别方法， 属于特征提取技 术领域， 该识别方法具体步骤如下： (1)提取行人 图像全局特征； (2)获取局部特征信息并进行数 据增强； (3)对各组局部特征进行空间关联； (4) 依据各组特征信息进行度量计算； 本发明能够提 取到人体更深层次的空间维度特征， 在很大程度 上抑制背景信息对于人体的干扰， 有效的保证对 行人重识别达 到更好的效果。 权利要求书2页 说明书5页 附图1页 CN 115188019 A 2022.10.14 CN 115188019 A 1.基于多区域注意力关联的空间关系模型行人特征识别方法， 其特征在于， 该识别方 法具体步骤如下： (1)提取行人图像全局特征： 将采集到的各组行人图像导入ResNet50网络中， 并通过 ResNet50网络对各组行 人图像进行全局特 征提取； (2)获取局部特征信息并进行数据增强： 对全局特征采用多通道均分的方法进行局部 特征获取， 构建空间注意力模型， 并通过该空间注意力模型对提取出 的各组局部特征进行 特征增强； (3)对各组局部特征进行空间关联： 构建空间自适应图卷积模型， 并将各组局部特征导 入该空间自适应图卷积模型中， 之后对各组局部特征进行特征融合， 并对融合后的局部特 征进行空间关联； (4)依据各组特征信息进行度量计算： 收集最终获取的与原始输入个数相同的局部特 征和全局特 征， 基于所获取的各组特 征进行不同行 人间的度量计算。 2.根据权利要求1所述的基于多区域注意力关联的空间关系模型行人特征识别方法， 其特征在于， 步骤(1)中所述局部特 征提取具体步骤如下： 步骤一： ResNet50网络将行人图像进行特征粗提取以得到W ×H×C的三维特征向量， 其 中， W和H分别代 表每个局部特 征的宽度和高度， C代 表每一个局部特 征的通道数； 步骤二： 按照不同的均分标准将得到的特征图水平分割为多个局部特征区域， 并将相 同标准下获得的局部特 征区域归属于同一个小组。 3.根据权利要求1所述的基于多区域注意力关联的空间关系模型行人特征识别方法， 其特征在于， 步骤(2)中所述特 征增强具体步骤如下： 第一步： 收集分割完成的各组局部特征， 并将收集到的各组局部特征导入空间注意力 模型中； 第二步： 空间注意力模型通过构建邻接矩阵来学习注意力掩码， 并采用注意力机制来 对行人兴趣区域进行提取， 并依据提取 出的信息对各组局部特 征进行训练增强。 4.根据权利要求1所述的基于多区域注意力关联的空间关系模型行人特征识别方法， 其特征在于， 第二 步中所述注意力机制对于局部特 征的增强过程具体 计算公式如下： Wl′＝Wl⊙M                (1) 式中， 其中Wl为局部特征， M对应分配注意力权重 的mask矩阵， Wl′为经过注意力增强后 特征表达。 5.根据权利要求4所述的基于多区域注意力关联的空间关系模型行人特征识别方法， 其特征在于， 步骤(3)中所述局部特 征特征融合具体步骤如下： S1.1： 空间自适应图卷积模型接收经注意力加权后的的各组局部特征， 并构建输入特 征集Vlin∈RB×C×W×h， 其中， B代表每一个分组中局部特征的个数， h代表局部特征的空间层级 的高度； S1.2： 通过全局最大池化操作将各组输入特征集进行转化以获取原始局部信息 中的最 显著特征， 之后将转 化后的输入特 征集按照B次输入到 子模块OVSR中； S1.3： 使每一个局部特征初步学习到其他局部特征的信息， 同时将转化后的输入特征 集分为基准特征以及其他邻居特征， 对其他邻居特征进行全局平均池化操作， 然后对上下 分支进行 卷积操作并进行拼接；权　利　要　求　书 1/2 页 2 CN 115188019 A 2S1.4： 利用残差网络的思想将基准局部特征与拼接后的关联特征进行融合以得到经过 浅层关系增强的局部特 征。 6.根据权利要求1所述的基于多区域注意力关联的空间关系模型行人特征识别方法， 其特征在于， 步骤(3)中所述空间关联 具体步骤如下： S2.1： 将经过浅层关系增强的各组局部特征进行降维压缩， 同时将行人全局图像经 ResNet50网络和空间注 意力模型处理后获取全局特征， 并将其导入空间自适应图卷积模 型 中； S2.2： 对全局特征进行全局最大池化和降维压缩处理， 将各组局部特征信息与全局特 征信息作为特征图关系中的端点， 并各组特征信息进行扩增处理以获得多组邻接关系矩 阵； S2.3： 计算各组邻接关系矩阵与全局信息特征图的差值， 并依据该差值排除无关干扰 并对相应的邻接矩阵进行更新， 再通过取绝对值、 正则化以及全连接对该邻接矩阵进行降 维处理以获得自适应的邻接矩阵， 并引入一个预定义的关系矩阵对自适应邻接矩阵进 行修 正， 其关系矩阵预定义形式如下： 其中， 关系矩阵A对应的元 素即为不同特征间的关系信息； S2.4： 通过反向传播将对关系矩阵的权重进行更新， 将自适应的邻接矩阵与预定义的 邻接矩阵相乘后生成最终的权重矩阵， 同时将原始局部信息同加权后的特征信息通过特征 融合获取相应的二维特 征矩阵， 并对该二维特 征矩阵进行增维处 理， 其具体增维 公式如下： 其中， f1， f2和f3分别使三个全连接层， Vlout、 分别为自适应图卷积模块最终的局部 特征与全局特 征的输出。 7.根据权利要求1所述的基于多区域注意力关联的空间关系模型行人特征识别方法， 其特征在于， 步骤(4)中所述度量计算具体公式如下： 式中， 分别代表第i个特 征的交叉熵损失和三元组损失的损失值。权　利　要　求　书 2/2 页 3 CN 115188019 A 3