一种基于特征分离和融合的行人重识别表征学习技术

摘要

本发明涉及一种基于特征分离与融合的行人重识别表征学习方法，属于人工智能、深度学习以及计算机视觉技术领域。本发明考虑到人脸与身形、体态及姿势等特征之间，在表示学习上存在差异，通过多样化表示学习和特征融合，补全行人表征信息，提高行人表征学习的准确性和鲁棒性：首先利用图像空间可分离性，把不稳定的服饰信息与人脸及其他稳定的信息剥离开，分别学习着装表征模型(ClothingRepresentationModel,CR)以及服饰无关的行人表征模型(Clothing‑IndependentPersonRepresentationModel,CIPR)；然后，对CR和CIIR进行联合训练，从行人着装中补充身形、体态和姿势等高层语义，学习基于着装的行人表征模型(Clothes‑DependentPersonRepresentationModel,CDPR)，通过模型融合，互补有无，增强行人表征信息。