買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉山東科技大學申請的專利一種基于特征增強的跨模態行人重識別方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120220043B 。

龍圖騰網通過國家知識產權局官網在2025-09-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510207764.6，技術領域涉及：G06V20/52；該發明授權一種基于特征增強的跨模態行人重識別方法是由張鵬;陸家祺;張曉林;王青杰;李豪杰;單彩峰設計研發完成，并于2025-02-25向國家知識產權局提交的專利申請。

本一種基于特征增強的跨模態行人重識別方法在說明書摘要公布了：本發明公開了一種基于特征增強的跨模態行人重識別方法，屬于計算機視覺領域，包括如下步驟：步驟1、獲取數據集并進行預處理，利用通道增強策略生成新的模態；步驟2、構建基于特征增強的跨模態行人重識別網絡模型；步驟3、構建損失函數，基于訓練數據集和損失函數對模型進行訓練優化；步驟4、基于訓練完成的模型進行跨模態行人重識別。本發明通過特征增強提高了跨模態行人重識別模型的準確性。

本發明授權一種基于特征增強的跨模態行人重識別方法在權利要求書中公布了：1.一種基于特征增強的跨模態行人重識別方法，其特征在于，包括如下步驟： 步驟1、獲取數據集并進行預處理，利用通道增強策略生成新的模態； 步驟2、構建基于特征增強的跨模態行人重識別網絡模型； 跨模態行人重識別網絡模型包括三部分，分別為：補丁嵌入部分、特征增強算法部分和編碼部分；補丁嵌入部分包括圖像切分和嵌入操作；特征增強算法部分包含注意融合特征模塊和高斯變異特征模塊；編碼部分包括三個權重共享的編碼器； 跨模態行人重識別網絡模型的工作過程為： 步驟2.1、在補丁嵌入部分進行圖像切分和嵌入，獲取圖像集t的一系列補丁集pt；具體過程為：將可見光圖像集紅外圖像集增強圖像集輸入到模型中，其中是第個可見光圖像，Nv為可見光圖像數量；是第個紅外圖像，Nr是紅外圖像數量；是第個增強圖像，Nc是增強圖像數量；對于可見光、紅外和增強圖像集，定義相應的標識標簽集，分別為可見光圖像標識標簽集紅外圖像標識標簽集和增強圖像標識標簽集定義圖像集Xt表示可見光圖像集Xv、紅外圖像集Xr或增強圖像集Xc中的一種，Xt∈{Xv,Xr,Xc}； 輸入到模型前，需要對輸入圖像進行補丁嵌入操作：將圖像集中的每一張圖像切分為一系列補丁，并將補丁映射到一個高維特征空間，得到對應的補丁集，公式為： pt＝PatchEmbeddingXt； 其中，pt為圖像集Xt的一系列補丁集；PatchEmbedding·為補丁嵌入操作；圖像集中圖像的數量與補丁集的數量相對應； 步驟2.2、基于注意融合特征模塊獲取融合后的補丁，更新補丁集；具體過程為： 步驟2.2.1、預先設置交叉率，根據交叉率來隨機選取身份相同的兩組不同的補丁集 進行注意融合特征操作，分別為pa中第i個、第I個補丁；分別為pb中第j個、第J個補丁，對這兩組補丁集進行相乘并歸一化來構建注意力矩陣，公式為： W＝softmaxpa*pb； 其中，W為注意力矩陣；softmax·為softmax函數； 步驟2.2.2、從補丁集pa中隨機選擇一個補丁利用注意力矩陣，找出補丁集pb中與相似度最大的補丁確定當前的索引j及j周圍相鄰索引為有效的索引；根據有效的索引從pb中提取對應的特征值，并從注意力矩陣W中提取索引對應的注意力分數，然后對提取的注意力分數重新歸一化并構建新注意力矩陣，具體為： W′＝softmaxwj,j∈vaildindices； 其中，W′為新注意力矩陣；wj為注意力矩陣W中索引j處的注意力分數；vaildindices為有效的索引； 步驟2.2.3、根據新注意力矩陣與對應的特征值，得到融合后的補丁，公式為： 其中，pr為融合后的補丁；wj′為新注意力矩陣W′中索引j處的注意力分數，注意力矩陣與新注意力矩陣的索引序號相對應； 步驟2.2.4、最后將pa中的替換為融合后的補丁pr，得到更新補丁集 步驟2.3、高斯變異特征模塊采用高斯變異策略對補丁進行變異，并更新補丁集；具體過程為：首先，定義輸入的一系列相同身份的補丁為原始補丁集ps，計算ps的統計量，包括均值和方差；根據計算出的均值μ和方差σ2，定義了一個高斯分布Nμ,σ2；從ps中選取其中一個身份的一系列補丁組成原始變異補丁集s為某個特定的身份，m為某個特定的身份中的某一個樣本，為pm中第個補丁，為pm中第個補丁；從高斯分布中采樣，遍歷原始變異補丁集pm中的每個補丁，預先設置變異率，根據變異率將個體替換為從高斯分布中采樣的點；均值和方差的計算公式為： 其中，為原始補丁集ps中第h個補丁；H為原始補丁集ps中補丁的數量； 從高斯模型中抽取的新特征樣本pnew符合高斯分布，具體為： pnew～Nμ,σ2； 最后將原始變異補丁集中的樣本替換為采樣得到的新特征樣本pnew，得到新變異補丁集 步驟2.4、將原始輸入的圖像集t的一系列補丁集pt輸入特征增強算法部分，特征增強算法部分中的注意融合特征模塊和高斯變異特征模塊按照步驟2.2和步驟2.3的過程并行執行，最終優化得到新的一系列補丁集pt′，并將pt′輸入到三個權重共享的編碼器中，一個編碼器處理一種模態的圖像，以獲得每個模態的預測值特征；公式為： 其中，Ft為圖像集Xt的預測值特征；為權重共享的編碼器； 步驟3、構建損失函數，基于訓練數據集和損失函數對模型進行訓練優化； 步驟4、基于訓練完成的模型進行跨模態行人重識別。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人山東科技大學，其通訊地址為：266590 山東省青島市黃島區前灣港路579號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。