[發明專利]基于貝葉斯優化技術的行人重識別方法、裝置和系統

在審

• 申請號: 201910556218.8
• 申請日: 2019-06-25
• 公開（公告）號: CN110457992A
• 公開（公告）日: 2019-11-15
• 發明（設計）人: 李震;邵漢陽;樊治國
• 申請（專利權）人: 上海高重信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 11215 中國和平利用軍工技術協會專利中心
• 代理人: 劉光德;彭霜<國際申請>=<國際公布>=

1.一種基于貝葉斯優化技術的行人重識別方法，其特征在于，所述方法包括，

步驟S1、應用深度目標檢測算法對視頻中的行人圖像數據集進行檢測，得到待提取特征的所有行人圖像數據；

步驟S2、對檢測到的所有行人圖像數據進行深度特征提取，得到視頻中行人的所有特征值數據，從而建立檢索特征數據庫；

步驟S3、輸入待查詢圖片并對該圖片進行深度特征提取，得到待檢索圖像特征值，將所述待檢索圖像特征值與所述檢索特征數據庫中的所有特征值進行歐式距離計算并排序，輸出排序結果。

2.根據權利要求1所述的基于貝葉斯優化技術的行人重識別方法，其特征在于，所述步驟S1具體包括，

步驟S11、通過行人相關監控視頻采集行人檢測原始數據源，其中，所述監控視頻以至少5fps保存為圖片；

步驟S12、利用深度目標檢測算法對原始數據源圖片中的每一幀圖像進行檢測，得到待提取特征的所有行人圖像數據。

3.根據權利要求2所述的基于貝葉斯優化技術的行人重識別方法，其特征在于，所述目標檢測算法可以是任何一種基于深度學習的目標檢測算法,包括Faster-RCNN算法，或者，SSD目標檢測算法。

4.根據權利要求1所述的基于貝葉斯優化技術的行人重識別方法，其特征在于，所述步驟S2具體包括，

步驟S21、構建前向傳播的深度卷積神經網絡，用如下公式表示：

其中，I指的是輸入的圖片數據；f₀指的是基礎深度CNN網絡，其包含卷積層和池化層；f₁指的是瓶頸網絡層，由單個卷積層、批歸一化層、非線性激勵函數層和Dropout層組成；FC指的是最后具有C個類別的分類層，s指的是最后輸出的C維分類概率向量，C為數據集中不同人的個數；

步驟S22、基于深度卷積神經網絡、聯合損失函數以及貝葉斯優化技術獲取最佳網絡模型；

步驟S23、加載所述最佳網絡模型，去除網絡層FC的權重參數，將檢測到的行人圖像數據輸入到該網絡模型中進行運算，得到視頻中行人的所有特征值數據，從而建立檢索特征數據庫。

5.根據權利要求4所述的基于貝葉斯優化技術的行人重識別方法，其特征在于，所述步驟S22具體包括，

步驟S221、構建如下聯合損失函數，

式中θ為三元損失函數作用的網絡層參數，y為數據真實標簽，為三元損失函數，為交叉熵分類損失函數，λ為兩種損失函數的比例權重。

其中，三元損失函數使用瓶頸網絡層輸出的特征t，作用于基礎網絡f₀和瓶頸網絡層f₁，用如下公式表示：

式中，θ為三元損失函數作用的網絡層參數，a為基準圖片，b為和基準圖片為同一個人的圖片，n為和基準圖片不是同一個人的圖片，D_a，n為基準圖片和相同類別圖片提取出的特征向量之間的距離；D_a，b為基準圖片和不同類別圖片提取出的特征向量之間的距離，m指的是距離之間的邊界值；

交叉熵分類損失函數用如下公式表示：

其中，PK表示一次批量處理的圖片數目，y_i是第i個圖片的類標,f代表由輸入圖片得到的特征向量,W是特征向量的權重參數；

步驟S222、采用貝葉斯優化訓練算法，設定優化參數域，通過迭代方式選取出最優超參數，對選取的最優超參數進行大輪數的常規訓練，得到驗證集，并根據聯合損失函數公式評估出Loss函數值，重復訓練，得到最佳網絡模型。

6.根據權利要求5所述的基于貝葉斯優化技術的行人重識別方法，其特征在于，步驟S3、輸入待查詢圖片并對該圖片進行深度特征提取，得到待檢索圖像特征值，將所述待檢索圖像特征值與所述檢索特征數據庫中的所有特征值進行歐式距離計算并排序，輸出排序結果，具體為，采用與步驟S2相同的特征提取方式提取出待查詢圖片的深度特征值，計算待檢索圖像的特征值與檢索特征數據庫中的所有深度特征值做歐氏距離，得到一系列的距離值，根據距離值的大小，按照從小到大的順序進行排序，最后獲得行人重識別結果。