[發明專利]基于三元組卷積神經網絡的行人再識別方法

有效

• 申請號: 201811469383.1
• 申請日: 2018-11-28
• 公開（公告）號: CN109635695B
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 王林;楊樂
• 申請（專利權）人: 西安理工大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/82;G06N3/04
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 胡燕恒

1.基于三元組卷積神經網絡的行人再識別方法，其特征在于，具體按照以下步驟實施：

步驟1、在行人數據集圖像中隨機采樣P個行人，并從每個行人中隨機選擇K個圖像，形成具有P×K個圖像的一個小批量樣本；

步驟2、將經步驟1得到的小批量樣本依次輸入至三元組卷積神經網絡中，輸出小批量樣本中每個行人圖像的全局特征和局部特征；

步驟3、利用歐氏距離公式計算經步驟2得到的小批量樣本中每兩個行人圖像全局特征之間的距離并確定全局特征之間的相似性，通過引入最短路徑損失計算小批量樣本中每兩個行人圖像之間對應身體部位的局部特征之間的距離，對齊每兩個行人圖像之間對應身體部位的局部特征；

步驟4、利用步驟3得到的每兩個行人圖像全局特征之間的相似性結合小批量難樣本挖掘策略，在步驟1得到的具有P×K個圖像的一個小批量樣本中形成P×K對三元組樣本；

步驟5、利用Log-logistic函數代替鉸鏈函數改進三元組卷積神經網絡損失函數，得到改進后的三元組卷積神經網絡損失函數；

步驟6、利用經步驟4得到的P×K對三元組樣本和經步驟5得到的改進后的三元組卷積神經網絡損失函數訓練三元組卷積神經網絡，確定能夠有效提取特征來識別行人的網絡參數，得到訓練好的三元組卷積神經網絡；

步驟7、利用經步驟6得到的訓練好的三元組卷積神經網絡識別目標行人圖像，并結合置信度測量機制得到目標行人圖像的最終相似性排名列表識別矩陣來進一步避免目標行人圖像和待識別行人圖像之間的誤匹配。

2.根據權利要求1所述的基于三元組卷積神經網絡的行人再識別方法，其特征在于，所述步驟2具體按照以下步驟實施：

步驟2.1、將經步驟1得到的小批量樣本依次輸入至三元組卷積神經網絡中提取所需圖像特征，輸出特征圖，對特征圖采用池化窗口得到全局特征；

步驟2.2、對特征圖每一行執行水平池化提取得到局部特征。

3.根據權利要求1所述的基于三元組卷積神經網絡的行人再識別方法，其特征在于，所述步驟3具體按照以下步驟實施：

步驟3.1、選取經步驟2得到的小批量樣本中每兩個行人圖像的全局特征，利用歐氏距離公式(1)計算每兩個行人圖像全局特征之間的距離，所述歐氏距離公式(1)為：

式中，d₁₂表示兩個行人圖像全局特征之間的距離，x_1k表示第一個行人圖像的第k維全局特征，x_2k表示第二個行人圖像的第k維全局特征，

d₁₂與兩個行人圖像全局特征之間的相似性成正比；

步驟3.2、選取經步驟2得到的小批量樣本中每兩個行人圖像的局部特征，利用公式(2)計算每兩個行人圖像中第一個行人圖像的局部特征中的第i個水平塊與第二個行人圖像的局部特征中的第j個水平塊之間的距離，所述公式(2)為：

式中，d_i,j表示第一個行人圖像的局部特征中的第i個水平塊與第二個行人圖像的局部特征中的第j個水平塊之間的距離，d_i,j與兩個行人圖像對應局部特征之間的相似性成正比，f_i表示第一個行人圖像的局部特征，g_j表示第二個行人圖像的局部特征，

再將計算得到的若干d_i,j組成距離矩陣D，通過公式(3)計算每兩個行人圖像之間對應身體部位的局部特征之間的距離，所述公式(3)為：

式中，S_i,j表示距離矩陣D中元素(1，1)到(i，j)之間最短路徑的距離總和，

計算得出S_H,H，S_H,H表示距離矩陣D中從(1，1)到(H，H)最短路徑的總和即每兩個行人圖像之間對應身體部位的局部特征之間的距離，至此對齊每兩個行人圖像之間對應身體部位的局部特征。