[0076] 對(duì)數(shù)據(jù)集中圖像數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)采集的圖像進(jìn)行剪裁、縮放和歸一化操作，使數(shù)據(jù)集中圖像具有統(tǒng)一的尺寸和格式； [0077] 最后按比例將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。 [0078] S2具體如下： [0079] 將訓(xùn)練集中的數(shù)據(jù)輸入至換衣行人重識(shí)別模型，將圖像的文本描述輸入至文本特征提取單元得到文本特征，將圖像輸入至圖像特征提取單元得到圖像特征，然后將文本特征和圖像特征輸入至特征融合單元，得到強(qiáng)化后的圖像特征，具體過(guò)程如下： [0080] S2.1、文本特征提取單元： [0081] 引入特定ID的可學(xué)習(xí)文本標(biāo)記來(lái)學(xué)習(xí)不明確的文本描述，每個(gè)ID都是獨(dú)立的，文本提取單元包括圖像編碼器和文本編碼器，將圖像的文本表述輸入至文本編輯器，得到如下表述“一張 人的照片”，其中， 表示第 個(gè)可學(xué)習(xí)文本標(biāo)記， 表示可學(xué)習(xí)文本標(biāo)記的個(gè)數(shù)， ； [0082] 凍結(jié)圖像編碼器和文本編碼器的參數(shù)，通過(guò)圖像到文本和文本到圖像的對(duì)比損失對(duì)可學(xué)習(xí)文本標(biāo)記 進(jìn)行優(yōu)化，計(jì)算公式如下： [0083] ， [0084] ， [0085] ， [0086] ， [0087] 其中， 表示輸入的訓(xùn)練集中任意一張圖像， 表示輸入的訓(xùn)練集中任意一張圖像對(duì)應(yīng)的文本表述， 表示將圖像線性投影嵌入到跨模態(tài)嵌入空間的操作，表示 操作后得到的圖像特征， 表示將文本表述線性投影嵌入到跨模態(tài)嵌入空間，表示 操作后得到的文本特征， 表示圖像和文本特征在特征空間中的相似度； 表示身份標(biāo)簽為 的圖像特征， 表示身份標(biāo)簽為 的文本特征， 表示身份標(biāo)簽為的圖像特征和文本特征在特征空間中的相似度，表示批量大小，表示批量索引，表示身份標(biāo)簽為 的圖像到文本的對(duì)比損失， 表示 個(gè)批量中第 個(gè)圖像特征， 表示個(gè)批量中第 個(gè)文本特征， ， ， 表示 個(gè)批量中第 個(gè)圖像特征和文 本特征在特征空間中的相似度； 表示身份標(biāo)簽為 的文本到圖像的對(duì)比損失，表示在 個(gè)批量中與目標(biāo)文本特征 匹配的所有正樣本集合，表示集合 中的元素，表示匹配的元素的圖像特征， 表示 和 在特征空間中的相似度， 表示 和 在特征空間中的相似度； 表示文本特征損失函數(shù)。 [0088] S2.2、圖像特征提取單元： [0089] S2.2.1、定位上衣中心區(qū)域擴(kuò)展衣服布料內(nèi)容： [0090] 從輸入的訓(xùn)練集中的圖像中獲取衣服樣式的信息，通過(guò)輔助工具HRNet人體姿態(tài)估計(jì)網(wǎng)絡(luò)提取人體中多個(gè)關(guān)鍵點(diǎn)，從提取的關(guān)鍵點(diǎn)中選擇左肩和右跨處兩個(gè)關(guān)鍵點(diǎn)，將兩個(gè)關(guān)鍵點(diǎn)連線的中點(diǎn)作為衣服的中心點(diǎn)以同等尺寸進(jìn)行布料截取，尺寸大小設(shè)置為寬為32像素，高為64像素，然后對(duì)截取后的布料圖像進(jìn)行像素復(fù)制擴(kuò)展，進(jìn)而保留衣服原有紋理信息，得到純衣服布料的圖像集； [0091] S2.2.2、隨機(jī)抽樣衣服對(duì)行人上衣部分進(jìn)行填充： [0092] 使用SCHP人體解析網(wǎng)絡(luò)對(duì)輸入的數(shù)據(jù)集中的圖像進(jìn)行分解，生成屬于不同屬性的偽標(biāo)簽，設(shè)置上衣標(biāo)簽，并將純衣服布料的圖像集中布料內(nèi)容隨機(jī)采樣填充到上衣標(biāo)簽區(qū)域，進(jìn)而實(shí)現(xiàn)輸入圖像中行人間衣服的交換，得到換衣處理后的圖像； [0093] S2.2.3、骨干網(wǎng)絡(luò)Vision?Transformer特征提?。? [0094] 對(duì)輸入的數(shù)據(jù)集中的圖像和經(jīng)過(guò)換衣處理后的圖像使用預(yù)訓(xùn)練的Vision?Transformer視覺(jué)轉(zhuǎn)化器進(jìn)行特征提取，分別提取到的原始特征 和換衣特征 ，將提取到的兩特征分別與文本特征提取單元提取到的文本特征 進(jìn)行圖像到文本的交叉熵?fù)p失函數(shù)計(jì)算來(lái)約束原始特征和換衣特征接近相應(yīng)的文本特征，計(jì)算公式如下： [0095] ， [0096] ， [0097] ， [0098] 其中，表示身份類別數(shù)，表示身份類別數(shù)的第一層索引，表示身份類別數(shù)的第二層索引， 表示第 個(gè)身份類別的目標(biāo)分布值， 表示第 個(gè)身份類別的文本特征， 表示第 個(gè)身份類別的文本特征， 表示 和 在特征空間中的相似度， 表 示 和 在特征空間中的相似度， 表示原始特征 圖像的到文本的交叉熵?fù)p 失， 表示換衣特征 圖像的到文本的交叉熵?fù)p失， 表示 和 在特征 空間中的相似度， 表示 和 在特征空間中的相似度，表示批量大小，表示批量索引， 表示一致性損失， 表示第 個(gè)批次原始特征， 表示第 個(gè)批次的換衣特征。 [0099] S2.3、特征融合單元：

其中， 表示ResNet網(wǎng)絡(luò)輸出的特征，表示特征圖的高度， 表示特征圖的寬度，表示高度的索引， 表示寬度的索引， 表示全連接層的操作，表示特征圖的通道數(shù)，表示通道的索引， 表示卷積操作，表示relu激活函數(shù)的操作，表示通道注意力權(quán)重，表示空間注意力權(quán)重， 表示相乘， 表示ResNet網(wǎng)絡(luò)通過(guò)注意力機(jī)制的輸出，表示線性插值操作， 表示批量歸一化操作， 表示拼接操作， 表示拼接后的特征， 表示前景特征， 表示融合特征損失， 表示第 個(gè)批次的前景特征，表示第 個(gè)批次的原始特征。 6.根據(jù)權(quán)利要求5所述的一種基于衣服感知混合和前景增強(qiáng)的換衣行人重識(shí)別方法，其特征在于，S3具體如下： 計(jì)算總損失 ，根據(jù)總損失對(duì)換衣行人重識(shí)別模型進(jìn)行訓(xùn)練和優(yōu)化，計(jì)算過(guò)程如下： ， 其中 表示交叉熵?fù)p失， 表示三元組損失； 損失函數(shù)具體如下： ， 其中， 表示第 個(gè)批次的原始特征， 表示第 個(gè)批次的換衣特征， 表示第個(gè)批次的前景特征， 表示第 個(gè)批次的身份標(biāo)簽； 損失函數(shù)具體如下： ， 其中，B是訓(xùn)練批次的大小， 表示三元組損失的邊界參數(shù)， 和 表示第 個(gè)批次原始特征的正樣本特征和負(fù)樣本特征， 和 表示第 個(gè)批次換衣特征的正樣本特征和負(fù)樣本特征， 和 表示第 個(gè)批次前景特征的正樣本特征和負(fù)樣本特征， 表示取最大值， 表示歐幾里得距離的計(jì)算。 7.根據(jù)權(quán)利要求6所述的一種基于衣服感知混合和前景增強(qiáng)的換衣行人重識(shí)別方法，其特征在于，步驟S4具體如下： 將測(cè)試集中數(shù)據(jù)輸入至訓(xùn)練和優(yōu)化后的換衣行人重識(shí)別模型中，通過(guò)優(yōu)化后的換衣行人重識(shí)別模型提取輸入的行人圖像的特征，將提取的特征與云端數(shù)據(jù)庫(kù)中的特征逐一進(jìn)行相似度計(jì)算，根據(jù)相似度分?jǐn)?shù)進(jìn)行得分，選擇相似度得分最高的圖像最為最終檢索結(jié)果。