基于特征学习的双路径红外-可见光行人重识别算法

由于拍摄视角、行人姿态的变化以及不同的相机光谱造成的额外跨模态差异，RGB图像和红外图像之间存在着明显的差异，提取有效的模态共享特征是红外-可见光行人重识别中的难点。本研究提出一种双路径学习算法来识别特征，利用改进的BNNeck模块来提取RGB和红外图像的特征信息，改善算法的识别性能。该算法首先将注意力机制引入双路径特征学习网络，获取RGB图像在空间维度和通道维度上的特征信息，实现红外特征信息匹配；然后，将BNNeck模块引入至跨模态行人重识别算法，减少模态特征信息差异，加快算法收敛速度；最后，在异质中心损失函数和交叉熵损失函数的基础上，引入跨模态下行人身份损失函数，提高行人识别的准确性。SYSU-MM01和RegDB数据集的实验结果表明，相对于目前大多数已有算法，所提算法具有更好的泛化能力和鲁棒性，Rank-1/mAP分别达到59.39%/85.44%和57.81%/73.19%,比最新算法分别提高2.43%/2.86%和2.44%/1.19%。