基于深度学习的行人重识别特征提取方法研究.pdf

哈尔滨理工大学电子信息硕士学位论文

基于深度学习的行人重识别特征提取方法研究

摘要

近年来，公共安全问题日益引人关注，在此背景下行人重识别技术成为了解决

公共安全问题的关键技术，然而，由于物体遮挡、背景干扰等复杂环境使得行人重

识别研究面临各种挑战，上述问题会导致网络模型特征提取的精确度降低，进而影

响行人重识别任务的准确率。本文基于行人重识别特征提取，针对物体遮挡和背景

干扰情况分别开展如下研究：

（1）针对物体遮挡，本文提出一种基于改进ConvNeXt网络的行人重识别特

征提取方法，提高对行人细节特征信息的提取能力，从而解决物体遮挡问题。该网

络采用ConvNeXt网络作为骨干网络，同时去除了ConvNeXt网络中的forward_head

模块来保留更多行人特征；引入了切片策略和SimAM注意力模块，提高对行人细

节特征的提取能力，从而增强对物体遮挡情况的泛化能力。为了提高模型的鲁棒性，

在训练过程中采用学习率预热策略、余弦退火策略以及随机擦除策略。最后在

Market-1501、DukeMTMC-reID以及CUHK03三个公开数据集上，Rank-1分别达

到了95.2%、88.2%和76.9%，mAP分别达到了86.5%、77.3%和74.8%，最终通过

对比分析和可视化实验证明了在物体遮挡场景下ConvNeXt-AS网络的有效性。

（2）随着监控系统实时性要求的提高，针对背景干扰的情况，本文提出一种

轻量化无监督语义分割的行人重识别特征提取方法，即OSNet-SSLN网络，该网络

既可以解决背景干扰问题，又缓解了模型的平移不变性问题，而且该网络参数数量

仅为2.4M，FLOPs仅为1.1G，满足实时性要求。OSNet-SSLN网络引入CutLER

无监督语义分割网络作为预处理网络，可以将图像中的行人与背景进行有效的分

离，从而可以大幅度地减轻背景信息对行人特征提取的干扰；OSNet-SSLN网络引

入OSNet网络和BlurPool池化模块作为轻量化特征提取网络，可以缓解网络模型

平移不变性问题，使得OSNet-SSLN网络不仅能够更加准确地提取行人特征信息，

而且也满足实时性要求。为了提高模型的鲁棒性，在训练过程中采用学习率预热策

略、余弦退火策略、随机擦除策略以及标签平滑处理等策略，并且引入Circleloss

损失函数提升模型的准确性和稳定性。最后在Market-1501、DukeMTMC-reID以

及CUHK03三个公开数据集上，Rank-1分别达到了95.1%、88.8%和76.5%，mAP

分别达到了85.9%、77.1%和74.2%，最终通过实验证明了OSNet-SSLN网络在背

景干扰场景下的优势。

关键词深度学习；行人重识别；特征提取；物体遮挡；背景干扰；

-I-

哈尔滨理工大学电子信息硕士学位论文

Featureextractionmethodofpersonre-identification

basedondeeplearning

Abstract

Inrecentyears,publicsafetyissueshaveattractedincreasingattention,underthis

background,pedestrianrerecognitiontechnologyhasbecomeakeytechnologytosolve

publicsafetyproblems.However,duetocomplexenvironmentssuchasobjectocclusion

andbackgroundinterference,theresearchonpedestrianrerecognitionfacesvarious

challenges,andtheaboveproblems