一种基于高阶偏度标准化的行人重识别方法

本发明涉及行人重识别，特别是涉及一种基于高阶偏度标准化的行人重识别方法。

背景技术：

1、行人重识别的目的是从不同摄像头捕捉到的行人图像中识别和匹配同一个行人，具体来说，给定一个行人的图像，该技术会尝试从不同的相机视图中检索他们在其他图像中的出现情况。当涉及到安防和智能监控系统时，行人身份识别在控制和自动化方面扮演着核心的角色，它在视频监控、动作识别和轨迹跟踪等领域发挥着重要作用，这项技术的广泛应用使得系统能够准确识别行人的身份。然而，由于目标行人在光照条件、视角变化、遮挡等恶劣现实场景下的外观存在差异，使得行人重识别技术是一个具有挑战性的问题。

2、现有的以全监督学习为主的方法已经取得了一定的进展，但是模型的训练和测试都是在同一个数据集上进行的。当模型转换到一个新的未知数据域时，由于域之间数据分布的差异，性能急剧下降。近年来，领域泛化人员重新识别方法应运而生，旨在解决模型在未知数据域中性能下降的问题。这些方法通过提取实际应用中的域不变特征来增强模型的泛化能力，使其能够适应完全未知的目标领域。

3、通过这种方式，模型能够在不同领域中保持稳定性和一致性，实现更广泛的应用和更高的性能水平。然而，这些方法常常将批量归一化或实例归一化等操作集成到模型中，而忽略了源域与未知目标域之间的内在相关性，从而降低了模型的泛化能力。为了克服这些缺点，研究者们进行了大量相关工作，虽然在一定程度上有所提升，但是这些方法主要关注低阶统计量(如均值和方差)，而对于非高斯分布的数据，仅仅依靠均值和方差无法准确表示数据分布的性质，从而导致模型在未知目标域上的泛化能力降低。

技术实现思路

1、本发明的目的在于提出一种基于高阶偏度标准化的行人重识别方法，能够解决泛化行人重识别问题。

2、为解决上述技术问题，本发明提供一种基于高阶偏度标准化的行人重识别方法，包括如下：

3、对目标数据进行处理，获取行人特征，并进行初始化参数；

4、对所述行人特征进行计算处理，获取表征所述行人特征的高阶偏度；

5、对所述行人特征的高阶偏度进行处理，并结合所述参数，获取最终的偏度标准化操作结果。

6、进一步的，所述对目标数据进行处理，具体包括：针对来自骨干网络的第一阶段处理后的数据进行实例归一化操作，得到所述行人特征，将所述行人特征作为高阶偏度标准化操作的输入数据，同时进行初始化参数。

7、进一步的，将源域的行人图像经过所述骨干网络的第一阶段处理后，给定这个特征映射为f∈rb×c×h×w，其中，f为行人特征，b、c、h和w分别为样本数、通道数、高度和宽度。

8、进一步的，若b∈b，c∈c，h∈h和w∈w分别表示每个维度的指标，则通过如下公式计算特征映射的平均值：其中，fb,c,h,w为特征值，属于第b个样本的第c个通道的第h行的第w列；以及通过如下公式计算行人特征映射的标准差：并对每个样本的每个通道的平均值和标准差通过如下公式进行计算：

9、得到实例归一化特征，其中，θ，β∈rc为可学习的仿射变换参数，σ为行人特征的标准差。

10、进一步的，对所述行人特征进行计算处理，具体包括：对所述行人特征进行偏度运算，获取每张行人图像样本的行人特征偏度。

11、进一步的，对所述行人特征进行偏度运算，具体包括：根据已知偏度的计算公式：

12、得到特征偏度的计算公式为：其中，e为期望运算符，f为行人特征，为行人特征f的平均值，σf为行人特征f的标准差，∈为很小的正数；将∈设置为预定值，并代入特征偏度的计算公式中，得到最终的行人特征偏度。

13、进一步的，对所述行人特征进行计算处理，具体还包括：将所述行人特征偏度与所述行人特征相乘，并加入标准化项，获取所述行人特征的高阶偏度。

14、进一步的，获取所述行人特征的高阶偏度，具体包括：将行人特征和行人特征的平均值代入所述特征偏度的分子部分的公式中：得到特征的三阶中心矩；将三阶中心距与所述特征偏度进行乘积，得到高阶偏度ρ：ρ＝μ3·γ(f)。

15、进一步的，所述对所述行人特征的高阶偏度进行处理，具体包括：对所述行人特征的高阶偏度进行标准化处理，以消除行人特征数据间的尺度差异，并对标准化处理后的行人特征进行统计量的更新，然后应用所述参数，以获取所述最终的偏度标准化操作结果。

16、进一步的，根据公式计算：得到标准化高阶偏度，其中，ω为正则化权值，σ为行人特征的标准差，为权重标准化项。

17、进一步的，根据标准化后的高阶偏度，采用标准化来平衡模型的训练过程，并加速模型的收敛，按照如下公式计算：得到最近的标准化结果，其中，f为行人特征，ν为行人特征f的方差，eps均为一个小的正数，η为标准化高阶偏度，为行人特征f的平均值。

18、进一步的，更新行人特征变量的全局均值和方差，在模型的训练过程中，缩放参数和平移参数会根据模型的损失函数和梯度信息进行更新，并根据如下公式计算：f"＝ψ·f'+ω，得到投射到新的空间中的最终行人特征数据，其中，ψ为训练中的缩放参数，ω为平移参数。

19、通过上述技术方案，本发明具有如下有益效果：

20、通过对目标数据进行处理，获取行人特征，并进行初始化参数；对行人特征进行计算处理，获取表征行人特征的高阶偏度；对行人特征的高阶偏度进行处理，并结合参数，获取最终的偏度标准化操作结果。本方法针对现有的泛化行人重识别技术只关注低阶统计量(如均值和方差)，而导致在遇到非高斯分布的数据时无法准确表示数据分布的细致特征，从而使得模型对于数据的拟合能力不足，在未知目标域上的泛化能力降低的问题。本方法通过对进行过实例归一化的数据进行求偏度运算，并对其进行标准化处理，以解决泛化行人重识别的问题。

技术特征：

1.一种基于高阶偏度标准化的行人重识别方法，其特征在于，包括如下：

2.如权利要求1所述的基于高阶偏度标准化的行人重识别方法，其特征在于，所述对目标数据进行处理，具体包括：针对来自骨干网络的第一阶段处理后的数据进行实例归一化操作，得到所述行人特征，将所述行人特征作为高阶偏度标准化操作的输入数据，同时进行初始化参数。

3.如权利要求2所述的基于高阶偏度标准化的行人重识别方法，其特征在于，将源域的行人图像经过所述骨干网络的第一阶段处理后，给定这个特征映射为f∈rb×c×h×w，其中，f为行人特征，b、c、h和w分别为样本数、通道数、高度和宽度。

4.如权利要求3所述的基于高阶偏度标准化的行人重识别方法，其特征在于，若b∈b，c∈c，h∈h和w∈w分别表示每个维度的指标，则通过如下公式计算特征映射的平均值：其中，fb,c,h,w为特征值，属于第b个样本的第c个通道的第h行的第w列；以及通过如下公式计算行人特征映射的标准差：并对每个样本的每个通道的平均值和标准差通过如下公式进行计算：

5.如权利要求2所述的基于高阶偏度标准化的行人重识别方法，其特征在于，对所述行人特征进行计算处理，具体包括：对所述行人特征进行偏度运算，获取每张行人图像样本的行人特征偏度。

6.如权利要求5所述的基于高阶偏度标准化的行人重识别方法，其特征在于，对所述行人特征进行偏度运算，具体包括：根据已知偏度的计算公式：

7.如权利要求6所述的基于高阶偏度标准化的行人重识别方法，其特征在于，对所述行人特征进行计算处理，具体还包括：将所述行人特征偏度与所述行人特征相乘，并加入标准化项，获取所述行人特征的高阶偏度。

8.如权利要求7所述的基于高阶偏度标准化的行人重识别方法，其特征在于，获取所述行人特征的高阶偏度，具体包括：将行人特征和行人特征的平均值代入所述特征偏度的分子部分的公式中：得到特征的三阶中心矩；将三阶中心距与所述特征偏度进行乘积，得到高阶偏度ρ：ρ＝μ3·γ(f)。

9.如权利要求2所述的基于高阶偏度标准化的行人重识别方法，其特征在于，所述对所述行人特征的高阶偏度进行处理，具体包括：对所述行人特征的高阶偏度进行标准化处理，以消除行人特征数据间的尺度差异，并对标准化处理后的行人特征进行统计量的更新，然后应用所述参数，以获取所述最终的偏度标准化操作结果。

10.如权利要求9所述的基于高阶偏度标准化的行人重识别方法，其特征在于，根据公式计算：得到标准化高阶偏度，其中，ω为正则化权值，σ为行人特征的标准差，为权重标准化项。

11.如权利要求10所述的基于高阶偏度标准化的行人重识别方法，其特征在于，根据标准化后的高阶偏度，采用标准化来平衡模型的训练过程，并加速模型的收敛，按照如下公式计算：得到最近的标准化结果，其中，f为行人特征，ν为行人特征f的方差，eps均为一个小的正数，η为标准化高阶偏度，为行人特征f的平均值。

12.如权利要求11所述的基于高阶偏度标准化的行人重识别方法，其特征在于，更新行人特征变量的全局均值和方差，在模型的训练过程中，缩放参数和平移参数会根据模型的损失函数和梯度信息进行更新，并根据如下公式计算：f"＝ψ·f'+ω，得到投射到新的空间中的最终行人特征数据，其中，ψ为训练中的缩放参数，ω为平移参数。

技术总结
本发明揭示了一种基于高阶偏度标准化的行人重识别方法，包括如下：对目标数据进行处理，获取行人特征，并进行初始化参数；对行人特征进行计算处理，获取表征行人特征的高阶偏度；对行人特征的高阶偏度进行处理，并结合参数，获取最终的偏度标准化操作结果。本发明能够解决泛化行人重识别的问题。

技术研发人员：熊明福,徐洋,王冲,张自力,何儒汉,陈佳
受保护的技术使用者：武汉纺织大学
技术研发日：
技术公布日：2024/6/20