1.一种基于多尺度特征动态融合的行人重识别方法,其特征在于,包括以下步骤:构建包括主干网络和三条分支网络的神经网络,所述主干网络根据输入图像得到行人的多尺度全局特征图,所述三条分支网络根据所述行人的多尺度全局特征图提取全局特征和多维度的局部特征;
根据所述全局特征和多维度的局部特征训练所述包括主干网络和三条分支网络的神经网络得到训练完成的神经网络;
将待识别图像作为输入图像输入所述训练完成的神经网络得到行人重识别结果。
2.根据权利要求1所述的基于多尺度特征动态融合的行人重识别方法,其特征在于:所述主干网络包括七层,分别为:第一层卷积层、第二层最大池化层、第三层统一聚合门、第四层平均池化层、第五层统一聚合门、第六层平均池化层、第七层统一聚合门;
输入图像经过第一层卷积层后经下采样操作进入第二层最大池化层,然后经过第三层统一聚合门后经下采样操作进入第四层平均池化层,接着经过第五层统一聚合门后经下采样操作进入第六层平均池化层,最后经过第七层的统一聚合门后得到行人的多尺度全局特征图。
3.根据权利要求1所述的基于多尺度特征动态融合的行人重识别方法,其特征在于:所述三条分支网络分别为Part‑1分支、Part‑2分支和Part‑3分支,所述Part‑1分支从所述行人的多尺度全局特征图中提取全局特征,
所述Part‑2分支和所述Part‑3分支分别从所述行人的多尺度全局特征图中提取不同维度的局部特征。
4.根据权利要求3所述的基于多尺度特征动态融合的行人重识别方法,其特征在于:所述Part‑1分支包括带指数参数p的广义平均池化层,所述带指数参数p的广义平均池化层从所述行人的多尺度全局特征图中提取全局特征
5.根据权利要求3所述的基于多尺度特征动态融合的行人重识别方法,其特征在于:所述Part‑2分支包括两个卷积核不相同的全局最大池化层,Part‑2分支的一个全局最大池化层从所述行人的多尺度全局特征图中提取局部特征 Part‑2分支的另一个全局最大池化层从所述行人的多尺度全局特征图中提取n个局部特征所述Part‑3分支包括两个卷积核不相同的全局最大池化层,Part‑3分支的一个全局最大池化层从所述行人的多尺度全局特征图中提取局部特征 Part‑3分支的另一个全局最大池化层从所述行人的多尺度全局特征图中提取m个局部特征所述n与m取值不同。
6.根据权利要求5所述的基于多尺度特征动态融合的行人重识别方法,其特征在于:所述Part‑2分支的另一个全局最大池化层从所述行人的多尺度全局特征图中提取n个局部特征 具体为:将所述行人的多尺度全局特征图的图谱分成上下两部分得到上半身多尺度全局特征图和下半身多尺度全局特征图,分别对所述上半身多尺度全局特征图和下半身多尺度全局特征图进行局部特征提取和降维,得到2个局部特征 和
7.根据权利要求5所述的基于多尺度特征动态融合的行人重识别方法,其特征在于:所述Part‑3分支的另一个全局最大池化层从所述行人的多尺度全局特征图中提取m个局部特征 具体为:将所述行人的多尺度全局特征图的图谱分成上下三部分得到头部多尺度全局特征图、腹胸多尺度全局特征图和腿部多尺度全局特征图,分别对所述头部多尺度全局特征图、腹胸多尺度全局特征图和腿部多尺度全局特征图进行局部特征提取和降维,得到3个局部特征 和
8.根据权利要求5所述的基于多尺度特征动态融合的行人重识别方法,其特征在于:根据所述全局特征和多维度的局部特征训练所述包括主干网络和三条分支网络的神经网络得到训练完成的神经网络,具体为:使用所述局部特征 和局部特征 构建分类学
习的损失函数L1,使用所述全局特征和局部特征 构建度量学习的损失函数L2;
根据所述分类学习的损失函数L1和度量学习的损失函数L2建立所述包括主干网络和三条分支网络的神经网络的联合训练的损失函数L=L1+αL2,其中α为加权因子;
获取训练集并使用训练集训练所述包括主干网络和三条分支网络的神经网络,直到所述联合训练的损失函数L收敛结束训练,得到所述训练完成的神经网络。
9.根据权利要求8所述的基于多尺度特征动态融合的行人重识别方法,其特征在于:所述分类学习的损失函数L1为Softmax损失函数,所述度量学习的损失函数L2为三元组损失函数。
10.根据权利要求3‑9任一项所述的基于多尺度特征动态融合的行人重识别方法,其特征在于:所述Part‑1分支从所述行人的多尺度全局特征图中提取全局特征时,在所述行人的多尺度全局特征图进入所述Part‑1分支时会进行下采样操作;
所述Part‑2分支和所述Part‑3分支分别从所述行人的多尺度全局特征图中提取不同维度的局部特征时,在所述行人的多尺度全局特征图进入所述Part‑2分支和所述Part‑3分支时不进行下采样操作。