李佳賓，李學(xué)偉，劉宏哲，徐 成

（北京聯(lián)合大學(xué)北京市信息服務(wù)工程重點實驗室，北京 100101）

0 概述

行人重識別是從若干組攝像設(shè)備拍攝的多張多角度行人圖片或視頻中尋找目標行人的技術(shù)，但存在圖像模糊不清、易于遮擋、角度與姿態(tài)多變的問題。傳統(tǒng)算法通過距離度量人手動設(shè)計特征（如紋理、顏色等）的差異性，其適應(yīng)性較差且效率較低。

深度卷積網(wǎng)絡(luò)在行人重識別領(lǐng)域中可以提取到諸多圖像特征。文獻［1］利用分類損失與驗證損失進行模型訓(xùn)練，先使用分類函數(shù)進行識別，再使用驗證函數(shù)進行判別。三元組損失［2］作為度量學(xué)習(xí)中的一種損失函數(shù)，也是重識別中利用較廣的損失函數(shù)。文獻［3］通過Circle Loss 使相似性特征以不同速率進行學(xué)習(xí)，使算法收斂目標更明確。文獻［4］在遮擋方面利用一種具有判別遮擋能力的池化單元代替?zhèn)鹘y(tǒng)池化層，有效地處理行人的遮擋情景。文獻［5］采用GAN 網(wǎng)絡(luò)生成行人的多種姿態(tài)近似表示。文獻［6］提出一種結(jié)合RGB 與灰度圖的方式提取特征，減少因色彩導(dǎo)致的損失與誤差。近年來，文獻［7-9］利用注意力機制加強辨別特征并抑制無關(guān)噪聲。由于注意力是通過局部感受野獲得，因此對圖像全局添加注意力較困難。針對該問題，文獻［10］采用大尺寸的卷積核堆疊多個小規(guī)模的卷積［11］。文獻［12］利用特征點與全局關(guān)系的全局注意力機制以有效地抑制無關(guān)特征。基于局部特征也是一種有效的方式，文獻［13］通過PCB 方法將特征圖進行水平切分并預(yù)測。文獻［14］提出一種顯著性協(xié)作融合的方法進行識別。文獻［15］使用人體關(guān)鍵點算法描繪關(guān)鍵點，再根據(jù)關(guān)鍵點進行識別。文獻［16］提出一種分析局部特征與全局關(guān)系的方法，分別從全局和局部兩個角度計算特征聯(lián)系。文獻［17］采用一種結(jié)合注意力機制與核動態(tài)上采樣的方式實現(xiàn)跨分辨率的識別研究。文獻［18］采用一種多任務(wù)金字塔的方式重疊匹配魯棒性特征。對于注意力機制，雖然以上方法與文獻［13，19］都能夠區(qū)分主要特征與無關(guān)噪聲，但是基于細粒度特征點與全局的關(guān)系，信息會分散，難以有效聚集特征點，因此無法充分利用局部信息。局部切分方案將多個局部特征進行相同的權(quán)重處理，然而無法利用最具判別力的關(guān)鍵特征，人為將各部分權(quán)重提前設(shè)定好則不利于算法的自適應(yīng)性。

本文結(jié)合全局注意力機制與局部特征關(guān)聯(lián)方法，提出一種改進的特征關(guān)聯(lián)算法LFR-GA。通過調(diào)節(jié)局部特征之間的關(guān)系挖掘圖像全局特征，實現(xiàn)增強局部關(guān)鍵特征語義信息并區(qū)別非關(guān)鍵特征的目的。

1 相關(guān)工作

1.1 全局注意力

在深度學(xué)習(xí)算法中，注意力機制能有效突出關(guān)鍵特征點，并合理分配運算資源的算法。在注意力機制的支持下，機器學(xué)習(xí)算法對圖像中的特征信息進行重點提取，區(qū)分重要信息與普通信息，并去除背景等噪聲干擾，使得圖像特征信息得以有效利用。在多種注意力生成方法中，文獻［12］設(shè)計一種考慮圖像各點之間緊密聯(lián)系的全局注意力機制。這種技術(shù)可以有效地去除圖像背景等噪聲干擾，并具有一定的關(guān)鍵特征提取能力和較強的全局性，其立足點是各個像素點與全局像素點的關(guān)系。

1.2 局部特征關(guān)聯(lián)

在機器視覺領(lǐng)域中，不同階段的全局特征和局部特征能夠表示不同程度的視覺信息，將局部與全局特征相關(guān)聯(lián)也是視覺領(lǐng)域的主要方法。文獻［16］提出一種特征關(guān)聯(lián)網(wǎng)絡(luò)，同時考慮局部與全局、局部與局部的關(guān)聯(lián)程度，并計算不同局部特征之間的相互聯(lián)系，使得關(guān)鍵局部特征得以顯現(xiàn)。

1.3 全局注意力機制的改進

本文首先縮減全局注意力生成的步驟，其次使用一種新的局部特征組合方式進行局部特征關(guān)聯(lián)判斷，基于這兩種方法提出一種新型網(wǎng)絡(luò)，使得網(wǎng)絡(luò)可以去除多種噪聲干擾，并自適應(yīng)地提取關(guān)鍵特征點，兼顧全局特征點與局部特征塊關(guān)系。

2 模型構(gòu)建

2.1 LFR-GA 網(wǎng)絡(luò)結(jié)構(gòu)

LFR-GA 網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示，主要分為基礎(chǔ)特征提取網(wǎng)絡(luò)、全局注意力生成、局部特征關(guān)聯(lián)、損失函數(shù)計算4 個部分。

圖1 LFR-GA 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of LFR-GA network

LFR-GA 網(wǎng)絡(luò)經(jīng)過ResNet 50 基礎(chǔ)網(wǎng)絡(luò)提取特征，對特征分別進行空間注意力與信道注意力的生成計算，并進行初次處理。與原來算法相比，本文在拼接特征模塊時，刪除特征點轉(zhuǎn)置關(guān)系張量部分，并使用局部特征關(guān)聯(lián)補充局部特征關(guān)系權(quán)重。在局部特征關(guān)聯(lián)中，本文對特征進行分片，將全局特征切分為多個局部特征，并計算局部特征之間的聯(lián)系以突出關(guān)鍵特征。本文將局部特征分別與其他每個局部特征進行逐個關(guān)聯(lián)，將結(jié)果拼接再關(guān)聯(lián)以表示全局聯(lián)系，最終得到5 個1×1×C的向量，并根據(jù)特征向量進行識別。在損失函數(shù)計算中，本文使用交叉熵函數(shù)與三元組損失函數(shù)的聯(lián)合訓(xùn)練，從分類與度量兩個角度進行整體優(yōu)化。本文主要綜合全局注意力機制與局部特征關(guān)系，利用全局注意力彌補局部關(guān)聯(lián)中缺少的部分全局信息，并有效抑制無關(guān)噪聲的影響，以彌補局部特征可能包含噪聲導(dǎo)致的預(yù)測影響；而使用局部特征關(guān)系可以彌補全局注意力難以使用的局部特征塊的語義信息，將主要特征中最關(guān)鍵的特征重點利用，使算法能夠識別相似度較高且難以區(qū)分的樣本，進一步增強識別能力。

2.2 全局注意力機制

全局注意力機制考慮到全局范圍關(guān)系具有結(jié)構(gòu)化信息，其觀點類似于聚類信息，具有從全局范圍關(guān)系中提取語義信息的可能性，使用此類結(jié)構(gòu)信息生成注意力。對于任意一個特征節(jié)點，全局注意力機制均可計算出其與全局的關(guān)系向量，關(guān)系向量能有效地挖掘結(jié)構(gòu)信息，包括其余各點的位置信息和兩兩成對的關(guān)聯(lián)信息。全局注意力機制包括空間位置注意力和特征通道注意力，兩部分注意力可以強化圖像特征以抑制無關(guān)信息，從單個特征點與全局特征點的聯(lián)系開始提取信息，生成特征點關(guān)聯(lián)信息圖，并依據(jù)關(guān)聯(lián)圖信息生成注意力。

2.2.1 ResNet50 網(wǎng)絡(luò)

ResNet 網(wǎng)絡(luò)又稱ResNet 深度殘差網(wǎng)絡(luò)，針對深度學(xué)習(xí)中網(wǎng)絡(luò)退化問題，HE 等提出ResNet 深度殘差網(wǎng)絡(luò)。殘差學(xué)習(xí)是ResNet 深度殘差網(wǎng)絡(luò)的核心，殘差學(xué)習(xí)的原理為跳躍連接，在卷積結(jié)果中加入原始特征的恒等映射，使得學(xué)習(xí)過程中即使效果不理想，結(jié)果也不會更差。ResNet50 深度殘差網(wǎng)絡(luò)參數(shù)設(shè)置如表1 所示。

表1 ResNet50 深度殘差網(wǎng)絡(luò)參數(shù)設(shè)置Table 1 Parameter settings of ResNet50 deep residual network

2.2.2 空間注意力網(wǎng)絡(luò)結(jié)構(gòu)

空間注意力網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示，首先經(jīng)過ResNet50 得到一個特征張量X∈RC×H×W，其中C為特征圖通道數(shù)，H為高度，W為寬度，從空間位置的角度考慮，每張?zhí)卣鲌D中包含H×W個特征點，記為N個，則每個特征點可表示為xi∈RC，其中i=1，2，…，N，定義一種關(guān)系成為親和關(guān)系，表示空間節(jié)點之間的關(guān)聯(lián)程度，記為ri，j。對于空間位置上N個特征點，空間注意力模塊需要逐個對其與其他特征點的親和關(guān)系進行計算，將所有親和關(guān)系記錄在一個N×N的關(guān)系矩陣中，又稱空間特征點親和度圖。親和度既包括局部信息又包括全局信息的關(guān)聯(lián)信息，注意力生成還需要原始特征圖的特征信息。由于關(guān)系信息脫離關(guān)系主體則毫無意義，因此注意力計算需要將原始特征壓縮與親和關(guān)系信息結(jié)合，以利用與特征相關(guān)的全局結(jié)構(gòu)信息。

圖2 空間注意力網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of spatial attention network

空間注意力的生成步驟主要分為2 步：1）對特征張量R進行兩層卷積，調(diào)整其規(guī)模分別為（H×W）×C和C×（H×W）的兩個矩陣，將其進行相乘得到一個維度為（H×W）×（H×W）的關(guān)系矩陣，操作其Reshape 改變維度為（H×W）×H×W的三維張量；2）對初始特征圖進行最大池化操作得到一個H×W的特征圖，將特征圖與進行拼接，對結(jié)果進行卷積操作得到一個H×W的系數(shù)矩陣，對矩陣進行Sigmoid 操作得到空間注意力。親和關(guān)系的計算如式（1）所示：

其中：θS和φS均為包含BN 以及ReLU 操作的1×1 卷積；Wθ∈RC/S1×C且Wφ∈RC/S1×C，S1為一個預(yù)定義的正整數(shù)，用于控制降維率。根據(jù)式（1）計算得到ri，j之間的關(guān)系信息，隨后對所有特征點逐一執(zhí)行此操作得到一個親和關(guān)系圖RS∈RN×N。為綜合學(xué)習(xí)特征點i的全局與局部信息，空間注意力模塊不僅了解特征點之間的親和關(guān)系，還需要原始特征點的特征信息，考慮到這兩部分特征不在一個特征域，因此需要進行不同處理，如式（2）所示：

其中：ψs與φs分別為特征本身以及特征親和關(guān)系的嵌入函數(shù)，且兩者均為包含BN 以及ReLU 的1×1 卷積操作；是一個平均池化操作，將原始特征圖按照信道方向進行壓縮至維度降為1，使得原始特征為一張1×H×W的特征圖；yˉi將兩部分進行拼接，結(jié)果包含特征本身以及特征的全局關(guān)系，根據(jù)全局關(guān)系挖掘豐富的結(jié)構(gòu)信息，結(jié)構(gòu)信息中的注意力系數(shù)如式（3）所示：

其中：W1和W2均為1×1 卷積操作，W1，W2將信道數(shù)量減少為1，各個數(shù)值經(jīng)過Sigmoid 函數(shù)后變?yōu)樽⒁饬ο禂?shù)，其維度對應(yīng)空間位置的所有特征點。

2.2.3 信道注意力模塊結(jié)構(gòu)

信道注意力的生成原理與空間注意力基本一致，只是將計算空間特征點之間的關(guān)系注意力轉(zhuǎn)變?yōu)橛嬎阃ǖ乐g的關(guān)系注意力。信道注意力利用初始特征圖R計算C×C的通道關(guān)系矩陣，再經(jīng)過Reshape 操作與特征圖R在通道方向的最大池化結(jié)果進行卷積得到一個1×C的系數(shù)向量。

2.3 局部特征關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)

在全局注意力機制的無關(guān)特征抑制下，特征圖可以排除部分背景、遮擋等冗余噪聲的影響，在此基礎(chǔ)上，本文增加一個局部特征關(guān)聯(lián)模塊，不僅利用細粒度特征點的關(guān)系信息，還可以由多個特征點組成具有一定規(guī)模局部特征塊之間的關(guān)聯(lián)信息，使得圖像關(guān)鍵局部特征更易凸顯且自適應(yīng)性增強。本文參考文獻［16］的關(guān)系網(wǎng)絡(luò)內(nèi)容，具有上述空間注意力的全局關(guān)聯(lián)判斷，對另一部分網(wǎng)絡(luò)one-vs-rest 進行修改，并逐個判別，以增強局部特征關(guān)聯(lián)間的判斷。

局部特征關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示，從空間注意力模塊中獲得特征圖按照橫向進行切片，本文將圖像切為6 個部分，表示6 個C×H/6×W特征部分，分別計算得到其相關(guān)聯(lián)的程度信息。在計算某一部分的關(guān)聯(lián)程度時，局部特征關(guān)聯(lián)模塊需將其與其他5 個部分兩兩組合判別局部關(guān)聯(lián)，再將多個局部關(guān)聯(lián)整合提取全局關(guān)聯(lián)信息。

圖3 局部特征關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of local feature association network

局部特征關(guān)聯(lián)模塊將6 個分割張量分別在空間方向上使用最大池化得到6 個局部特征塊pi（i=1，2，3，4，5，6），其維度為1×1×C；然后對pi進行1×1 卷積操作使其維度變?yōu)?×1×c，將卷積后的6 個特征塊記為，最終對每個分別計算其局部-全局的關(guān)系向量Qi，使用跳躍連接方式將每個局部特征與其關(guān)系向量結(jié)合，如式（4）所示：

其中：Rp為一個由1×1 卷積，歸一化以及ReLU 非線性激活的子網(wǎng)絡(luò)，卷積操作將通道數(shù)量由5c轉(zhuǎn)變?yōu)閏；T為特征串聯(lián)拼接操作；q為兩個局部特征模塊的關(guān)系向量；i、j、m、n、a、b為6 個局部特征中的某一個，各不相同，如i=1，j=2，m=3，n=4，a=5，b=6；Rpi為另外一類1×1 卷積，將2 個拼接特征向量進行卷積使得信道數(shù)量由2c變?yōu)閏。式（4）分別計算某一個局部特征與其余各個局部特征的關(guān)系向量，再利用得到的5 個向量生成增強的特征向量。

局部特征關(guān)聯(lián)模塊可以充分考慮局部特征之間的相互聯(lián)系，使特征向量具備更豐富的結(jié)構(gòu)信息，多個局部特征模塊能夠表示具體的關(guān)聯(lián)強弱，并利用較關(guān)鍵的局部特征以抑制弱化非重要特征的影響。

2.4 損失函數(shù)

為了使網(wǎng)絡(luò)能夠精準地提取關(guān)鍵特征，本文結(jié)合三元組損失函數(shù)與交叉熵函數(shù)進行訓(xùn)練，這兩種損失函數(shù)是重識別算法中常用的函數(shù)。交叉熵函數(shù)作為一種分類損失函數(shù)，如式（5）所示：

其中：N與yn分別為一個batch 數(shù)據(jù)中的數(shù)據(jù)數(shù)量以及真實標簽為每個行人在預(yù)測過程中每個識別特征的標簽；K為預(yù)測標簽的數(shù)量；為特征fi與標簽k的分類器。

三元組損失函數(shù)是識別算法中被廣泛應(yīng)用的一種損失函數(shù)，其中A、P、N 分別表示目標圖片、正樣本圖片、負樣本圖片，分別計算AP 與AN 之間的差異性，結(jié)合AP 與AN 作為損失函數(shù)。三元組損失函數(shù)設(shè)計旨在增加類間距離，減少類內(nèi)距離，在訓(xùn)練時為了使算法更加精準，使用與A 距離最遠的P 以及與A 距離最近的N 作為訓(xùn)練數(shù)據(jù)，三元組損失函數(shù)如式（6）所示：

其中：K為一個批量數(shù)據(jù)中行人的數(shù)量；M為每個行人對應(yīng)標記圖片的數(shù)量；α為預(yù)設(shè)值，用于調(diào)節(jié)正負樣本判別之間的距離；分別為目標圖像、正樣本圖像以及負樣本圖像中提取的特征。

3 實驗與分析

3.1 實驗數(shù)據(jù)集

本文在3 個數(shù)據(jù)集CUHK03［20］、Market1501［21］、DukeMTMC-reID［22］上進行實驗以驗證算法的有效性。CUHK03 數(shù)據(jù)集是在大學(xué)中采集的行人數(shù)據(jù)集，主要包含使用DPM 算法檢測標記的Detected 部分和人為手工標記的Labeled 部分，整個數(shù)據(jù)集使用6 個攝像頭分為3 組拍攝，包含1 467 個行人ID 以及14 097/14 096 個標記框，其測試集包括700 個行人ID 以及5 332/5 328 個標記框；訓(xùn)練集包括767 個行人ID 以及7 365/7 368 個標記框。Market1501 數(shù)據(jù)集包含由6 個攝像頭拍攝的1 501 個行人ID，共有32 668 個檢測標記框，測試集包含750 個行人以及19 732 張圖片，訓(xùn)練集包含751 個行人以及12 936 張圖片。DukeMTMC-reID 包含1 404 個行人ID 以及36 411 張圖片，測試集包含702 個行人ID 以及17 661 張圖片，訓(xùn)練集包含702 個行人ID 以及12 936 張圖。

3.2 實驗條件

本文在實驗中使用ubuntu16.04 系統(tǒng)，python3.6 編程語言，pytorch1.1.0 深度學(xué)習(xí)框架，關(guān)鍵計算硬件為TITAN XP 顯卡進行加速運算。本文算法將輸入圖像尺寸調(diào)整為384×128，每個batch 的尺寸為64，其中一次選擇16 個行人ID，對于每個行人選擇4 張圖片，總訓(xùn)練批次為500，模型網(wǎng)絡(luò)的初始學(xué)習(xí)率為0.000 8，權(quán)重衰減系數(shù)為0.000 5。

3.3 實驗評估指標

在行人重識別中，本文用首位命中率（Rank-1）和平均準確率均值（mmAP）作為評價指標。首位命中率是在所有組行人識別中，每組排在第一位的識別結(jié)果正確的命中率；mmAP需要先進行平均精度（AAP）計算，如式（7）所示：

其中：Pc為這一組分類中命中的圖像數(shù)量；如果第k個圖像命中，則rrel(k)為1，否則為0；n為一組圖像預(yù)測中選擇的圖像總數(shù)量；C為總分類組數(shù)。

3.4 實驗結(jié)果分析

3.4.1 局部特征關(guān)系分塊數(shù)量的影響以及有效性

本文分別將水平切塊數(shù)量設(shè)置為5、6、7，并在CUHK03 數(shù)據(jù)集上進行驗證切分方法的有效性。不同分塊的mmAP對比如圖4 所示。局部特征關(guān)聯(lián)模塊評估指標對比如表2 所示，對比網(wǎng)絡(luò)為單一注意力網(wǎng)絡(luò)。

圖4 不同分塊的mmAP對比Fig.4 mmAP comparison among different blocks

表2 在CUHK03數(shù)據(jù)集上局部特征關(guān)聯(lián)模塊評估指標對比Table 2 Evaluation indexs comparison of local feature association module on CUHK03 data set %

從圖4 可以看出，當(dāng)分塊為5 塊時，最終Rank-1 低于80%。當(dāng)分塊為6 塊時，Rank-1 能夠有效地提升，迭代次數(shù)500 后Rank-1 達到81.6%。當(dāng)塊數(shù)增加為7 塊時，前250 迭代次數(shù)與6 塊的Rank-1 差別不大，與6 塊相比，后250 迭代次數(shù)7 塊的Rank-1 逐漸收斂并略微降低。實驗結(jié)果表明，局部特征分為6 塊時，Rank-1 值最佳。本文實驗將塊數(shù)分為5 時，Rank-1 得到進一步提升，說明將特征尺度縮小時，識別效果能夠有效提升；當(dāng)塊數(shù)繼續(xù)增長為6 時，識別效果有了更大的提高，而分為7 塊時，局部信息分割過于細微，使得部分特征割裂，降低效果。

3.4.2 算法對比

本文算法在CUHK03、Market1501、DukeMTMCreID 3 個數(shù)據(jù)集上與目前行人重識別領(lǐng)域較經(jīng)典以及先進的算法進行對比，以Rank-1 以及mmAP值作為衡量指標，選取的對比算法大多是將ResNet50 網(wǎng)絡(luò)作為基礎(chǔ)，同樣運用注意力機制或局部特征切分方法，驗證實驗存在可對比性，結(jié)果如表3、表4 所示。

表3 在CUHK03 數(shù)據(jù)集上不同算法的實驗結(jié)果對比Table 3 Experimental results comparison among different algorithms on CUHK03 data set %

表4 在Market1501、DukeMTMC-reID 數(shù)據(jù)集上不同算法的實驗結(jié)果對比Table 4 Experimental results comparison among different algorithms on Market1501 and DukeMTMCreID data sets %

從表3 和表4 可以看出，本文算法在多個公開數(shù)據(jù)集上的評價指標均得到提高。與ResNet 的Baseline 算法相比，在CUHK03 數(shù)據(jù)集Labeled 上本文算法的Rank-1 與mmAP指標分別提升7.8、10.3 個百分點，在Detected 上其Rank-1 與mmAP指標分別提升10.5、11.7 個百分點。與DAS-reID 算法相比，在Labeled 上本文算法的Rank-1 與mmAP指標分別提升2.7、4.1 個百分點，在Detected 上 其Rank-1 與mmAP指標分別提升2.8、4.1 個百分點。相比GCP 算法，在Market1 501 數(shù)據(jù)集上本文算法Rank-1 與mmAP指標分別提高0.4、0.5 個百分點，在DukeMTMC-reID 數(shù)據(jù)集上，其Rank-1 與mmAP指標分別提升0.2、2.2 個百分點。實驗結(jié)果表明，本文算法無論在清晰還是模糊的數(shù)據(jù)集中Rank-1 與mmAP指標均較高，具有較優(yōu)的魯棒性與自適應(yīng)性。

3.4.3 實驗結(jié)果可視化

為了驗證本文算法的有效性以及與其他算法的對比效果，本節(jié)對上述實驗不同場景數(shù)據(jù)集中的部分實驗結(jié)果進行可視化。對比算法為PCB 與MGN，以Rank-5 為標準，其中無邊框的為正確識別結(jié)果，有黑色虛線邊框的為錯誤識別結(jié)果。不同算法的整體特征識別結(jié)果對比如圖5 所示，當(dāng)查詢圖像與備選圖像整體高度相似時，LFR-GA 算法能夠有效利用最關(guān)鍵特征對圖像進行準確識別，其他算法在這種高度相似的情況下容易出錯。行人自遮擋對不同算法識別結(jié)果的影響如圖6 所示。在目標被其余行人遮擋的情況下，LFR-GA 算法能夠有效處理遮擋圖像信息，充分利用有效的局部特征信息識別目標。背景干擾對不同算法識別結(jié)果的影響如圖7 所示，當(dāng)目標存在背景行人干擾時，LFR-GA 算法能夠充分利用目標的有效特征信息，去除背景噪聲影響。因此，針對復(fù)雜的多種場景，LFR-GA 算法在限制條件較為嚴格的情況下依然具有較強的識別效果。

圖5 不同算法的整體特征識別結(jié)果對比Fig.5 Recognization results of overall feature comparison among different algorithms

圖6 行人自遮擋對不同算法識別結(jié)果的影響Fig.6 Influence of recognization results of different algorithms on person self-occlusion

圖7 背景干擾對不同算法識別結(jié)果的影響Fig.7 Influence of recognization results of different algorithms on background interference

4 結(jié)束語

本文結(jié)合全局關(guān)系注意力機制和局部特征關(guān)聯(lián)方法，提出一種改進的局部特征關(guān)聯(lián)算法LFR-GA。根據(jù)特征的全局關(guān)聯(lián)與局部關(guān)聯(lián)提取圖像語義信息，以增強局部關(guān)鍵特征。實驗結(jié)果表明，相比PCB、MGN 等算法，LFR-GA 算法的平均準確率和首位命中率較高，具有更強的準確性和自適應(yīng)性。后續(xù)將針對局部特征關(guān)聯(lián)與損失函數(shù)進行研究，通過簡化模型結(jié)構(gòu)以減少計算量，在保證識別精度的前提下達到加快模型運行速度的目的。