(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210193826.9 (22)申请日 2022.03.01 (71)申请人 中国科学技术大学 地址 230026 安徽省合肥市包河区金寨路 96号 (72)发明人 查正军　刘嘉威　黄志鹏　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 陆丽莉　何梅生 (51)Int.Cl. G06V 40/10(2022.01) G06V 20/52(2022.01) G06V 10/32(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 基于高斯过程的去偏批量归一化的鲁棒行 人重识别方法 (57)摘要 本发明公开了一种基于高斯过程的去偏批 量归一化的鲁棒行人重识别方法， 其步骤包括： 1、 构建基于去偏批量归一化模块的行人重识别 网络； 2、 输入行人图像， 计算行人重识别损失； 3、 基于特征统计 建模的高斯过程， 采样随机路径作 为去偏批量归一化模块的计算参数， 输入行人图 像， 计算去偏损失； 4、 利用行人重识别损失和去 偏损失更新行人重识别网络； 5、 根据检索库和被 检索库的行人特征计算相似度矩阵， 并得到检索 结果。 本发 明能将来自有限源场景的特征统计建 模为高斯过程， 利用随机采样路径作为潜在场景 对应的批量归一化层的参数估计， 从而缓解在未 知目标场景上的偏差问题， 以提升网络的鲁棒性 和泛化能力， 同时维 持低水平的计算消耗。 权利要求书5页 说明书11页 附图1页 CN 114627496 A 2022.06.14 CN 114627496 A 1.一种基于高斯过程的去偏批量归一化的鲁棒行人重识别方法， 其特征在于， 包括如 下步骤： 步骤一、 不同场景 下的行人数据收集和预处 理： 使用监控摄像头分别采集多个不同场景下的行人监控视频并逐帧进行行人检测和尺 寸归一化预处理， 得到第k个场景下的行人图像集 从而由所有场景下的 行人图像集构成训练数据集； 其中， k是场景编号， k∈{1,2,3, …,K},K表示总的场景数量， 表示第k个场景下第i张行人图像， 表示第k个场景下第i 张行人图像的身份ID， 且 表示第m个场景中的身份ID数量； 表 示第k个场景中的身份ID数量； 步骤二、 每 个场景构建对应的批量归一 化层： 步骤2.1、 从所述训练数据集的每个场景中分别采集p个行人身份ID， 且每个行人身份 ID分别采集t张红外行人图像， 从而由K ×p×t张图像组成当前批处理数据 其中， 表示批处理数据中第k个场景的第j张图像， 表示批处理数据中第 k个场景的第j 张图像 的身份ID； 步骤2.2、 构建以ResNet ‑50深度学习网络为基础的并列批量归一化处理的特征提取网 络； 所述ResNet ‑50深度学习网络包括5个阶段， 其中， 第1个 阶段Stage  0由一个卷积操作 单元组成， 其余4个阶段均由Bottleneck模块组成； 第2个阶段Stage  1包含3个Bottleneck 模块， 剩下3个阶段分别包括4个、 6个、 3个Bottleneck模块， 每个Bottleneck模块由S个卷积 操作单元组成， 每个卷积操作单元依次包括： 一层卷积层， 一层批量归一化处理层和一层 ReLU激活函数层； 其中任意第s个卷积操作单元的卷积层的卷积核为Ks ×Ks； 第1个阶段 Stage 0中的卷积 操作单元的卷积层的卷积核为 n1×n1； 构建去偏批量归一化模块， 并将所述ResNet ‑50深度学习网络中每个阶段的批量归一 化处理层替换为所述去偏批量归一化模块， 从而构建特征提取网络， 其中， 所述去偏批量归 一化模块有两种运 算模式： 在模式一下， 去偏批量归一化模块作为并列的K个归一化处理层， 并分别与训练数据集 中的K个场景图像一一对应， 将各阶段中并列的K个批量归一化处理层按照自身 卷积操作单 元的顺序依次进行编号， 令 表示第l个去偏批量归一化模块所对应的第k个并列归一化 处理层， l∈{1,2,3, …,L},L表示网络中所有 去偏批量归一 化模块的数量； 在模式二下， 去偏批量归一化模块作为一个线性运算层， 将各阶段中线性运算层按照 自身卷积操作单元的顺序依次进行编号， 令Line arl表示第l个去偏批量归一化模块所对应 的线性运算层； 步骤2.3、 当l＝1时， 所述当前批处理数据 输入所述特征提取网络中， 并 依次经过第1个阶段St age 0中第l个卷积操作单元的卷积层 处理， 再经过模式一下的去偏权　利　要　求　书 1/5 页 2 CN 114627496 A 2批量归一化模块， 从而利用式(1)得到第l个去偏批量归一化模块所对应的第k个并列归一 化处理层的输出 从而得到并列的K个批量归一化处理层的输出 并进行拼接后， 再经过ReLU激活函数层的处理， 得到第l个卷积操作单元输出的K个场景下 所有图像的中间特征集合 表示第l个卷积操作单元输出的第k个场景下第j 张图像的中间特 征： 式(1)和式(2)中， 表示输入第l个去偏批量归一化模块的批处理数据中属于第k个场 景的输入数据， 表示 层的输出函数， 和 分别是 的权重参数和偏置参 数， 并通过损失函数的梯度下降进行更新， 和 分别是 的统计均值和统计方差， 和 分别是 的历史统计均值参数和历史统计方差参数， ←表示滑动更新后的赋值操作， ∈是常数； 当l＝2,3, …,L时， 第l ‑1个卷积操作单元输出的K个场景下所有图像的中间特征集合 作为第l个卷积操作单元的输入， 并经过第l个卷积操作单元的处理， 得到 从而由第L个卷积操作单元输出最终的行人特征 并记为 表示第k个场景 下第j张图像的最终的行 人特征； 步骤2.4、 在 所述特征提取网络后连接一个全连接层和softmax函数以构成行人重识别 网络， 使得行人特征 经过所述全连接层的分类处理后， 输出的结果再经过所述 softmax函数后得到对应的行人身份的分类概率 表 示批处理数据中第k个场景的第j张图像被分类为第mp个身份ID的概率； 表示训练数据集 中的行人身份总和； 步骤2.5、 利用式(3)构建 当前批处 理数据的身份损失Lide：权　利　要　求　书 2/5 页 3 CN 114627496 A 3