[發明專利]一種基于整體和局部深度特征融合的行人再識別方法

有效

• 申請號: 201810132400.6
• 申請日: 2018-02-09
• 公開（公告）號: CN108229444B
• 公開（公告）日: 2021-10-12
• 發明（設計）人: 張重;司統振;劉爽
• 申請（專利權）人: 天津師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京中政聯科專利代理事務所(普通合伙) 11489
• 代理人: 陳超

1.一種基于整體和局部深度特征融合的行人再識別方法，其特征在于，所述方法包括以下步驟：

步驟S1，對預訓練網絡進行初始化，構建提取局部特征的局部特征目標網絡；

步驟S2，把訓練集的行人圖像分別劃分為n個水平子區域，對應位置的子區域為子區域對，把子區域對輸入到所述局部特征目標網絡中，得到局部特征學習模型；

步驟S3，把測試集的行人圖像同樣地劃分為n個水平子區域，把每個子區域輸入至所述局部特征學習模型中，得到子區域的特征向量p_i，i＝1,2,…n，其中，p_i表示第i個子區域的特征向量；

步驟S4，對預訓練網絡進行初始化，構建提取整體特征的整體特征目標網絡；

步驟S5，基于構建的整體特征目標網絡，把訓練集的行人圖像整幅輸入至所述整體特征目標網絡中，得到整體特征學習模型；

步驟S6，基于所述整體特征學習模型，把測試集的行人圖像整幅輸入至所述整體特征學習模型中，得到行人圖像的整體特征向量B；

步驟S7，合并每幅行人圖像的所有子區域特征向量形成行人圖像的局部特征向量P，局部特征向量與整體特征向量B結合組成該行人圖像的最終特征表示；

步驟S8，基于行人圖像最終的特征表示，計算該行人圖像與訓練集中任意一幅圖像間的相似度，相似度最高的被認為是相同的行人，得到行人識別結果；

所述步驟S1包括以下步驟：

步驟S11，獲取m個已預先訓練好的深度學習網絡模型，并對其分別進行初始化，其中m為自然數，m＝2，3，…；

步驟S12，將初始化后的m個深度學習網絡模型進行并行組合，并在m個網絡模型的末端進行合并；

步驟S13，根據組合網絡卷積層中神經元的激活值得到待建局部特征目標網絡的預測概率，并根據所述預測概率設置損失函數，形成完整的局部特征目標網絡結構；

所述步驟S12包括以下步驟：

步驟S121，將初始化后的m個深度學習網絡模型進行并行組合，m個深度學習網絡模型上下并行同時進行傳播，共享權重，在末端生成特征向量f₁、f₂…f_m；

步驟S122，將m個深度學習網絡模型在末端進行合并形成平方層，在該層中計算得到特征向量f₁、f₂…f_m之間的相似性f_s；

步驟S123，在平方層后增加卷積層。

2.根據權利要求1所述的方法，其特征在于，所述步驟S13包括以下步驟：

步驟S131，根據所述卷積層中神經元的激活值得到局部特征目標網絡的預測概率y_i：

其中，a_i表示卷積層中第i個神經元的激活值；

步驟S132，根據所述預測概率將所述局部特征目標網絡中的損失函數設置為L_V，形成完整的局部特征目標網絡結構，其中，損失函數L_V表示為：

其中，p_i表示子區域對正負概率值。

3.根據權利要求1所述的方法，其特征在于，所述步驟S2包括以下步驟：

步驟S21，把訓練集中的每一幅行人圖像劃分為n個水平子區域，定義相同行人的對應子區域為正子區域對，不同行人的對應子區域為負子區域對；

步驟S22，隨機抽取子區域對，將子區域對進行預處理，然后分別輸入到所述局部特征目標網絡中的子網絡中，得到局部特征學習模型。

4.根據權利要求1所述的方法，其特征在于，所述步驟S3包括以下步驟：

步驟S31，把測試集中的每一幅行人圖像同樣地劃分為n個水平子區域；

步驟S32，按照訓練的方式將子區域進行預處理，然后分別輸入至所述局部特征學習模型中，得到n個子區域各自的特征向量p_i。