摘要
行人重识别作为一种可以有效分析视频中行人目标的技术，在智能安防和案件侦破中起着非常关键的作用，对保障社会稳定和人民生命安全具有重大意义。基于深度学习的行人重识别研究受到了广泛的关注，并且已经取得了一定的研究成果。然而，现有的高精度深度模型体积庞大，存在参数量高和运行速度慢的问题，造成行人重识别模型难以在终端设备部署。虽然目前已有致力于轻量行人重识别模型的研究，但是这些轻量研究存在特征挖掘不充分、忽视行人肢体错位和模型压缩不充分的问题，加剧了模型在精确度和复杂度之间寻求良好平衡的难度。为此，本论文在国家自然科学基金项目的支持下，开展了融合多尺度特征的轻量行人重识别研究，取得的创新性研究成果及完成的主要工作如下: (1)提出了一种联合多级特征的轻量行人重识别方法。 针对现有轻量方法存在的特征挖掘不充分问题，提出了一种联合多级特征的轻量行人重识别方法。首先，设计了多注意力模块并将其嵌入主干网络中，使模型聚焦于行人图像的关键区域;为增加特征多样性，构建了轻量的多级特征提取模块，对主干网络的高级语义和低级细节特征以低复杂度的方式进行处理，获取行人图像的多粒度信息;最后，设计了特征融合模块，实现对多级特征提取模块中获得的细粒度信息的融合，提升模型获取特征的表达能力。实验结果表明，所提方法通过充分挖掘多样性的特征，在保持模型参数量和速度的前提下，模型识别精确度有明显提升。 (2)提出了一种姿态引导对齐的轻量行人重识别方法。 针对现有轻量方法忽视行人肢体错位的问题，提出了一种姿态引导对齐的轻量行人重识别方法。首先，设计了语义提取模块，对主干网络得到的特征图进行特征增强，并采用轻量的姿态估计算法得到行人部位特征，使得模型能够有效应对肢体变化;在此基础上，提出了聚合对齐模块，实现行人部位特征之间的交互和融合，以轻量的方式获得鲁棒的特征;最后，设计了特征匹配模块，通过图匹配算法和交叉操作对特征进行匹配增强，加强模型挖掘图像对之间匹配区域特征的能力。实验结果表明，所提方法能够有效应对行人肢体错位的情况，以较低的模型复杂度实现了有效的行人匹配。 (3)提出了一种高效的多尺度轻量行人重识别方法。 针对现有轻量行人重识别模型压缩不充分的问题，提出了一种高效的多尺度轻量行人重识别方法。首先，设计了轻量的多尺度高效模块以构建多尺度高效网络，以提高模型效率，其中，多尺度高效模块由多分支的轻量高效卷积块组成;在此基础上，设计了金字塔特征融合模块，实现对轻量主干网络得到的多尺度特征的高效融合，从而获取行人图像的鲁棒性特征表示;最后，提出了轮廓提取分支用于获取行人前景特征，减少背景带来的干扰。实验结果表明，所提方法通过轻量高效卷积块有效压缩了模型，在识别精确度相当的情况下，模型参数量和速度具有明显优势。
NETL