[發明專利]一種基于深度多損失融合模型的行人重識別方法

在審

• 申請號: 201910177443.0
• 申請日: 2019-03-09
• 公開（公告）號: CN110008842A
• 公開（公告）日: 2019-07-12
• 發明（設計）人: 鄭思佳;黃德雙;趙仲秋;趙新勇;孫建宏;趙陽;林擁軍
• 申請（專利權）人: 同濟大學;合肥工業大學;北京易華錄信息技術股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/36;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 葉敏華

本發明涉及一種基于深度多損失融合模型的行人重識別方法，該方法使用深度學習技術，對訓練集圖片進行翻轉、裁剪、隨機擦除以及風格遷移等預處理操作，然后經過基本網絡模型進行特征提取，在使用多個損失函數進行融合聯合訓練網絡，與基于深度學習的行人重識別算法相比較，本發明因采用多種預處理方式、三種損失函數的融合以及有效的訓練策略，大大提高了在數據集上行人重識別的性能，一方面，多種預處理方式可以擴展數據集，提高模型泛化能力，避免過擬合情況的發生，另一方面，三種損失函數各有自己的優缺點，當對其進行有效結合時，使得所使用的模型能夠獲取更好的識別結果。

技術領域

本發明涉及計算機視覺領域，尤其是涉及一種基于深度多損失融合模型的行人重識別方法。

背景技術

分布式多攝像機監視系統的基本任務是在不同位置和不同時間將人與攝像機視圖相關聯，被稱為行人重識別任務，更具體而言，行人重識別主要為了解決“目標行人之前在哪里出現過”或“目標行人在監控網絡中被捕捉后去了哪里”的問題，它支持許多關鍵應用，例如長時間多相機跟蹤和取證搜索等。實際上，每一個攝像頭可以從不同的角度和距離，在不同的光照條件、遮擋度和不同的靜態和動態的背景下進行拍攝。這就給行人重識別任務帶來了一些巨大的挑戰。同時，由于在未知距離的攝像機觀察到的行人可能存在擁擠的背景、低的分辨率等條件限制，因此依賴于諸如面部識別的傳統生物測量學的行人重識別技術既不可行也不可靠。

傳統的行人重識別技術主要分為兩個方面：特征表達和相似性度量。常用的特征主要包括顏色特征、紋理特征、形狀特征以及更高層次的屬性特征、行為語意特征等。而對于相似性度量，歐式距離最先被使用，隨后一些有監督的相似性判別方法也陸續被提出。

而隨著深度學習的發展，基于深度學習模型的方法已經占據了行人重識別的領域，用于行人重識別的深度模型現階段主要可分為三種：Identification model(辨識模型)、Verification model(驗證模型)以及Triplet model(三重態模型)。Identificationmodel與其他任務上的分類模型相同，給定一張圖片然后輸出它的標簽，該模型可充分利用單個圖像的標注信息。Verification model將兩張圖片作為輸入，然后判斷兩個輸入是否為相同行人。Verification model使用了弱標簽(兩行人之間的關系)并未使用單張圖片的標注信息。相同地，Triplet model將三張圖片作為輸入，拉近類內距離，拉開類間距離，但同樣未使用單張圖片的標注信息。另外，有相關學者研究表明，Triplet loss訓練網絡仍存在相對較大的類內距離。在上述背景下，充分利用各模型損失的優點，開發出一種基于深度多損失融合模型的行人重識別技術就顯得尤為重要。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于深度多損失融合模型的行人重識別方法。

本發明的目的可以通過以下技術方案來實現：

步驟一、獲取行人原始圖片數據集，將其進行訓練集和測試集的劃分。

步驟二、對訓練集圖片的基準數據集進行數據預處理，并進行數據擴充，本發明實施例采用如下幾種數據處理方式：

1)在基準數據集中隨機抽取若干圖片進行水平翻轉處理；

2)在基準數據集中隨機抽取若干圖片加高斯、椒鹽噪聲處理；

3)在基準數據集中隨機抽取若干圖片進行隨機區域隨機大小的擦除處理；

4)對于同一個數據集中不同camera拍攝的同一行人圖片使用Cycle GAN進行風格遷移，減弱不同攝像視覺之間的環境差異。

優選地，采用循環生成對抗網絡對數據進行擴充。

步驟三、選取基準網絡模型，對基準網絡模型進行訓練，更新權重，優化網絡，并對基準網絡的超參數進行調整。