[發(fā)明專利]行人重識(shí)別方法、裝置及計(jì)算機(jī)設(shè)備

在審

• 申請?zhí)枺?/td>: 201911007704.0
• 申請日: 2019-10-22
• 公開（公告）號(hào): CN110796057A
• 公開（公告）日: 2020-02-14
• 發(fā)明（設(shè)計(jì)）人: 付宇卓;劉婷;許榮森;吉學(xué)剛;曹德明;申子正
• 申請（專利權(quán)）人: 上海交通大學(xué);中通客車控股股份有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/08
• 代理公司: 31237 上海思微知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)
• 代理人: 曹廷廷

1.一種行人重識(shí)別方法，其特征在于，包括如下步驟：

S100：利用生成對抗網(wǎng)絡(luò)，對原始訓(xùn)練數(shù)據(jù)集中的原始樣本圖片進(jìn)行風(fēng)格轉(zhuǎn)換，擴(kuò)增所述原始訓(xùn)練數(shù)據(jù)集，得到擴(kuò)增后的訓(xùn)練數(shù)據(jù)集；

S200：初始化殘差網(wǎng)絡(luò)，并利用所述擴(kuò)增后的訓(xùn)練數(shù)據(jù)集訓(xùn)練所述殘差網(wǎng)絡(luò)，基于三元組損失優(yōu)化所述殘差網(wǎng)絡(luò)的參數(shù)，得到行人重識(shí)別模型；

S300：利用所述行人重識(shí)別模型，提取待識(shí)別測試集中每一張待識(shí)別行人圖像的深度特征得到特征向量，計(jì)算所述特征向量之間的相似度，得到每一張所述待識(shí)別行人圖像的候選行人圖像列表；

其中，所述風(fēng)格轉(zhuǎn)換包括，將原始樣本圖片轉(zhuǎn)換為若干個(gè)目標(biāo)域攝像裝置風(fēng)格下的目標(biāo)域樣本圖片，所述目標(biāo)域攝像裝置均為所述原始訓(xùn)練數(shù)據(jù)集使用的攝像裝置的個(gè)數(shù)。

2.根據(jù)權(quán)利要求1所述的行人重識(shí)別方法，其特征在于，在對原始訓(xùn)練數(shù)據(jù)集中的原始樣本圖片進(jìn)行風(fēng)格轉(zhuǎn)換之前，先對每一張所述原始樣本圖片預(yù)處理，所述預(yù)處理包括以下步驟，

將所述原始樣本圖片進(jìn)行圖像歸一化得到大小統(tǒng)一的圖片；

將所述原始樣本圖片的所屬攝像裝置序號(hào)作為其源域標(biāo)簽；

給所述原始樣本圖片隨機(jī)生成一個(gè)目標(biāo)域標(biāo)簽，其中，所述目標(biāo)域標(biāo)簽為所述原始樣本圖片被轉(zhuǎn)換為目標(biāo)域攝像裝置的序號(hào)。

3.根據(jù)權(quán)利要求2所述的行人重識(shí)別方法，其特征在于，在對每一張所述原始樣本圖片預(yù)處理之后，還包括訓(xùn)練所述生成對抗網(wǎng)絡(luò)，然后再對原始訓(xùn)練數(shù)據(jù)集中的原始樣本圖片進(jìn)行風(fēng)格轉(zhuǎn)換，其中，訓(xùn)練所述生成對抗網(wǎng)絡(luò)的步驟如下，

初始化生成單元G、生成單元F、判別單元D_X和判別單元D_Y的權(quán)值；

使用對抗損失函數(shù)，分別訓(xùn)練所述判別單元D_X和所述判別單元D_Y的權(quán)值；

根據(jù)對抗損失函數(shù)和一致性穩(wěn)定損失函數(shù)，分別訓(xùn)練所述生成單元G和所述生成單元F的權(quán)值，其中，所述一致性穩(wěn)定損失函數(shù)的公式為：

其中，G，F(xiàn)表示生成單元操作。

4.根據(jù)權(quán)利要求3所述的行人重識(shí)別方法，其特征在于，所述風(fēng)格轉(zhuǎn)換的步驟如下，

將所述原始訓(xùn)練數(shù)據(jù)集中的每一張?jiān)紭颖緢D片，分別經(jīng)過所述生成對抗網(wǎng)絡(luò)訓(xùn)練得到的所述生成單元G，產(chǎn)生各自所述目標(biāo)域攝像裝置風(fēng)格下的目標(biāo)域樣本圖片；

重復(fù)上述操作，直至將每一張所述原始樣本圖片都轉(zhuǎn)換為其它N-1個(gè)目標(biāo)域攝像裝置風(fēng)格下的目標(biāo)域樣本圖片，得到所述擴(kuò)增后的訓(xùn)練數(shù)據(jù)集；

其中，N為所述原始訓(xùn)練數(shù)據(jù)集的攝像裝置的個(gè)數(shù)。

5.根據(jù)權(quán)利要求1所述的行人重識(shí)別方法，其特征在于，步驟S200中所述初始化殘差網(wǎng)絡(luò)，并利用所述擴(kuò)增后的訓(xùn)練數(shù)據(jù)集訓(xùn)練所述殘差網(wǎng)絡(luò)，基于三元組損失優(yōu)化所述殘差網(wǎng)絡(luò)的參數(shù)，得到行人重識(shí)別模型，包括以下步驟，

S210：將所述擴(kuò)增后的訓(xùn)練數(shù)據(jù)集中的訓(xùn)練樣本圖片隨機(jī)劃分為若干個(gè)訓(xùn)練數(shù)據(jù)子集，每一個(gè)訓(xùn)練數(shù)據(jù)子集均包含M個(gè)行人ID的所述訓(xùn)練樣本圖片；

S220：利用ImageNet數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)，訓(xùn)練一個(gè)ResNet-50參差網(wǎng)絡(luò)作為所述行人重識(shí)別模型的初始權(quán)值，去掉所述ResNet-50殘差網(wǎng)絡(luò)最后的第一維數(shù)全連接層，在最后一個(gè)均值池化層之后連接一個(gè)第二維數(shù)全連接層和一個(gè)第三維數(shù)全連接層，得到初始化的ResNet-50殘差網(wǎng)絡(luò)；

S230：將其中一個(gè)所述訓(xùn)練數(shù)據(jù)子集中的所述訓(xùn)練樣本圖片輸入到所述初始化的ResNet-50殘差網(wǎng)絡(luò)，經(jīng)過所述初始化的ResNet-50殘差網(wǎng)絡(luò)的前向推理得到一維特征向量；

S240：基于難樣本挖掘，構(gòu)建三元組；

S250：計(jì)算所述三元組損失；

S260：根據(jù)所述三元組損失，反向傳播優(yōu)化所述ResNet-50殘差網(wǎng)絡(luò)的參數(shù)。