(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 202211169495.1 (22)申请日 2022.09.22 (71)申请人 大连大学 地址 116622 辽宁省大连市经济技 术开发 区学府大街10号 (72)发明人 张强　苏鹏　刘瑞　周东生　 (74)专利代理 机构 大连智高专利事务所(特殊 普通合伙) 2123 5 专利代理师 毕进 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于时空特征和异中心损失的跨模态行人 重识别方法 (57)摘要 本发明提出一种基于时空特征和异中心损 失的跨模态行人重识别方法， 跨模态行人重识别 模型从空间、 通道、 全局维度提取行人图像特征， 并采用由身份损失、 异中心样本损失、 中心簇损 失、 总特征损失构成的损失函数训练跨模态行人 重识别模型， 实现行人图像的跨模态行人重识 别。 本发明同时提取了通道特征和空间特征， 使 得行人的表 示更具有辨识性， 使用了异中心样本 损失， 使得同一个行人特征的特征分布更加紧 凑。 权利要求书2页 说明书5页 附图1页 CN 115497121 A 2022.12.20 CN 115497121 A 1.一种基于时空特征和异中心损失的跨模态行人重识别方法， 其特征在于， 跨模态行 人重识别模型从空间、 通道、 全局维度提取行人图像特征， 并采用由身份损失、 异中心样本 损失、 中心簇损失、 总特征损失构成的损失函数训练跨模态行人重识别模型， 实现行人图像 的跨模态行 人重识别。 2.根据权利要求1所述的基于时空特征和异中心损失的跨模态行人重识别方法， 其特 征在于， 具体包括如下步骤： S1： 构建跨模态行人重识别模型， 所述跨模态行人重识别模型包含有并联的模态对齐 模块和空间特 征提取模块； S2： 对输入跨模态行 人重识别模型的行 人图像进行 数据增强； S3： 跨模态行人重识别模型提取行人图像的全局特征、 空间局部特征以及通道局部特 征； S4： 计算提取到的空间局部特征的异中心样本损 失和身份损失， 计算提取到的通道局 部特征的中心簇损失和身份损失； S5： 将全局特征、 空间局部特征和通道局部特征进行拼接作为总特征， 计算总特征损 失； S6： 将步骤S4、 S5中的所有损失相加构成跨模态行人重识别 模型整体的损失函数， 根据 该损失函数训练优化 跨模态行 人重识别模型中的参数； S7： 跨模态行人重识别模型训练完成后， 将待查询的行人图像和测试集中图像输入跨 模态行人重识别模型中， 计算它们之间的相似度， 返回相似度最高的M个值， 即为跨模态行 人重识别的结果。 3.根据权利要求2所述的基于时空特征和异中心损失的跨模态行人重识别方法， 其特 征在于， 步骤S2中所述对行人图像进行数据增强， 具体为： 将可见光图像和红外图像混合， 形成若干 批次。 4.根据权利要求3所述的基于时空特征和异中心损失的跨模态行人重识别方法， 其特 征在于， 步骤S4中所述计算 提取到的空间局部特 征的异中心样本损失， 其计算公式如下： 其中， LHCS表示异中心样本损失， ρ 为边际参数， δ是一个平衡系数， [x]+＝max(x,0)表示 标准铰链损失， ||xa‑xb||2表示xa和xb间的二范数； P表示一个mini ‑batch中不同类的总数， 和 分别表示类i的第j张可见光图像和第j张红外图像的特征表示， 和 分别表示在一 个mini‑batch中可见光模态和红外模态类i的中心特 征； 和 由各自模态中所有类i的样本求均值得到， 其计算公式如下：权　利　要　求　书 1/2 页 2 CN 115497121 A 2其中， K表示 一个mini‑batch中可见光图像和红外图像的数量均为K。权　利　要　求　书 2/2 页 3 CN 115497121 A 3