(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210823175.7 (22)申请日 2022.07.14 (65)同一申请的已公布的文献号 申请公布号 CN 114898410 A (43)申请公布日 2022.08.12 (73)专利权人 安徽云森物联网科技有限公司 地址 231200 安徽省合肥市肥西县肥西经 开区繁华大道与文山路交口向南5 0米 (72)发明人 万森　高东奇　朱前进　周志鹏　 成皿　袁泽川　 (74)专利代理 机构 合肥和瑞知识产权代理事务 所(普通合伙) 34118 专利代理师 王挺 (51)Int.Cl. G06V 40/10(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06V 10/44(2022.01) G06V 10/52(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06T 3/40(2006.01) 审查员 黎成超 (54)发明名称 一种基于小波变换的跨分辨率行人重识别 方法 (57)摘要 本发明公开了一种基于小波变换的跨分辨 率行人重识别方法， 利用识别模 型对待识别图像 中的行人身份进行识别； 识别模 型包括超分辨率 网络、 特征提取网络、 身份预测网络； 待识别图像 先经超分辨率网络进行处理后得到超分辨率行 人图像， 再经特征提取网络提取得到超分辨率行 人特征， 最后经身份预测网络预测得到该待识别 图像中的行人预测身份； 超分辨率网络利用小波 变换的多频谱分析原理， 分别从行人图像及该行 人图像的高频分量和低频分量出发对图像分辨 率进行提升， 通过对待识别图像进行分辨率提 升， 以解决跨分辨率情况下的行人匹配问题， 从 而提高模型识别性能， 使行人重识别的准确率得 到提升。 权利要求书3页 说明书7页 附图3页 CN 114898410 B 2022.10.11 CN 114898410 B 1.一种基于小波变换的跨分辨率行人重识别方法， 其特征在于， 利用识别模型对待识 别图像中的行 人身份进行识别； 所述识别模型包括超分辨率网络、 特征提取网络、 身份预测网络； 待识别图像经超分辨 率网络进 行处理后得到超分辨率行人图像， 超分辨率行人图像经特征提取网络进 行特征提 取得到超分辨率行人特征， 身份预测网络根据超分辨率行人特征预测行人 的身份， 得到该 待识别图像中的行 人预测身份； 所述超分辨率网络包括： 小波变换模块、 低频外观增强模块、 高频细节增强模块、 整体 增强模块； 所述小波变换模块用于对待识别图像进行小波变换， 得到该待识别图像的低频 分量和高频分量； 所述低频外观增强模块用于对低频分量即行人外轮廓信息进行增强； 所 述高频细节增强模块用于对高频分量即行人细节信息进行增强； 所述整体增强模块用于对 低分辨率行人图像、 增强后的低频分量、 增强后的高频分量进 行融合， 得到该待识别图像的 超分辨率行人图像； 所述识别模型的训练方式如下 所示： S1， 获取对应的即同相机角度下的高分辨率行人图像Ih和低分辨率行人图像Ir， 构建 对应的高分辨 率行人图像数据集C h和低分辨 率行人图像数据集Cr； S2， 利用超分辨率网络对低分辨率行人图像数据集Cr中的低分辨率行人图像Ir进行处 理， 得到该低分辨 率行人图像Ir的超分辨 率行人图像Is； 步骤S2的具体过程如下 所示： S21， 小波变换模块对低分辨率行人图像数据集Cr中的低分辨率行人图像Ir进行小波 变换， 得到该低分辨 率行人图像Ir的低频分量 Ir_LF和高频分量 Ir_HF； S22， 将该低频分量Ir_LF输入至低频外观增强模块， 得到增强后的低频分量Ir_LF ’； 将 该高频分量 Ir_HF输入至高频细节增强模块， 得到增强后的高频分量 Ir_HF’； S23， 将低分辨率行人图像Ir、 增强后的低频分量Ir_LF ’、 增强后的高频分量Ir_HF ’输 入至整体增强模块， 得到该低分辨 率行人图像Ir的超分辨 率行人图像Is； S3， 特征提取网络包括参数共享且结构相同的两个子网络， 分别为第一子网络和第二 子网络； 利用第一子网络提取超分辨率行人图像Is中的行人特征， 得到超分辨率行人特征fs； 利用第二子网络提取高分辨率行人图像数据集Ch中对应的高分辨率行人图像Ih的行人特 征， 得到高分辨 率行人特征fh； S4， 身份预测网络根据超分辨率行人特征fs， 对该低分辨率行人图像Ir中的行人身份 进行预测， 得到低分辨 率行人图像Ir中的行 人预测身份； S5， 构建识别模型的总损失函数T， 总损失函数T包括超分辨率网络的损失函数T1、 特征 提取网络的损失函数T2、 身份预测网络的损失函数T3； 所述超分辨率网络的损失函数T1用于表示处理得到的该低分辨率行人图像Ir的超分 辨率行人图像Is与对应的高分辨 率行人图像Ih之间的误差； 所述特征提取网络的损失函数T2用于表示提取得到的超分辨率行人特征fs与对应的 高分辨率行人特征fh之间的误差； 所述身份预测网络的损失函数T3用于表示该低分辨率行人图像Ir中的行人预测身份 与行人真实身份之间的误差；权　利　要　求　书 1/3 页 2 CN 114898410 B 2S6， 利用高分辨率行人图像数据集Ch和低分辨率行人图像数据集Cr对识别 模型进行训 练， 在训练过程中， 更新识别模型的网络参数， 使总损失函数T趋 于稳定； 所述特征提取网络 的两个子网络均采用带有通道注意力机制的ResNet50网络， 即SE ‑ ResNet50网络。 2.根据权利要求1所述的一种基于小波变换的跨分辨率行人重识别方法， 其特征在于， 小波变换的具体方式如下 所示： [cA,cD,c H,cV]=DWT(Ir,Ha ar) Ir_LF=cA Ir_HF=[c H,cV,cD] 其中， DWT(.)表示小波变换函数， Haar为小波变换时所使用的基函数， cA、 cD、 cH、 cV均 为低分辨率行人图像Ir经小波变换得到的分量， cA为近似分量， cH为水平分量、 cV为垂 直分 量、 cD为对角分量； Ir_LF为低分辨率行人图像Ir的低频分量， Ir_HF为低分辨率行人图像Ir 的高频分量。 3.根据权利要求1所述的一种基于小波变换的跨分辨率行人重识别方法， 其特征在于， 所述低频外观增强模块采用U ‑Net网络结构； 所述高频细节增强模块和整体增强模块均采 用带有残差连接的CN N网络结构。 4.根据权利要求1所述的一种基于小波变换的跨分辨率行人重识别方法， 其特征在于， 所述身份预测网络包括全局平均池化层、 全连接层； 先对超分辨率行人特征进行全局平均 池化层操作， 再送入 全连接层识别行 人身份。 5.根据权利要求1所述的一种基于小波变换的跨分辨率行人重识别方法， 其特征在于， 超分辨率网络的损失函数T1为： 其中， 参与模型训练 的低分辨率行人图像数据集Cr中的图像数量和高分辨率行人图像 数据集Ch中的图像数量均为N； 低分辨率行人图像数据集Cr中第i张低分辨率行人图像Ir (i)与高分辨率行人图像数据集Ch中的第i张高分辨率行人图像Ih(i)相对应； Is(i)表 示由 第i张低分辨 率行人图像Ir(i)转换 得到的超分辨 率行人图像。 6.根据权利要求1所述的一种基于小波变换的跨分辨率行人重识别方法， 其特征在于， 特征提取网络的损失函数T2为： 其中， 参与模型训练 的低分辨率行人图像数据集Cr中的图像数量和高分辨率行人图像 数据集Ch中的图像数量均为N； 低分辨率行人图像数据集Cr中第i张低分辨率行人图像Ir (i)与高分辨率行人图像数据集Ch中的第i张高分辨率行人图像Ih(i)相对应； fs(i)表 示由 第i张低分辨率行人图像Ir(i)转换并提取得到的超分辨率行人特征； fh(i)表示由相对应 的第i张高分辨 率行人图像Ih(i)提取 得到的高分辨 率行人特征。 7.根据权利要求1所述的一种基于小波变换的跨分辨率行人重识别方法， 其特征在于，权　利　要　求　书 2/3 页 3 CN 114898410 B 3