[發明專利]基于圖度量學習的行人重識別方法及系統

在審

• 申請號: 202010165320.8
• 申請日: 2020-03-11
• 公開（公告）號: CN111310720A
• 公開（公告）日: 2020-06-19
• 發明（設計）人: 郝志峰;蘇偉根;蔡瑞初;溫雯;許柏炎
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.基于圖度量學習的行人重識別方法，其特征在于，包括以下步驟：

S1.通過姿態估計深度學習網絡對各行人圖像進行姿態提取，得到行人各身體部位的姿態關鍵點坐標；

S2.基于所述行人各身體部位的姿態關鍵點坐標，通過殘差神經網絡前向傳播提取得到各行人圖像對應的局部特征向量；

S3.基于所述局部特征向量及人體姿態連接方式，通過圖卷積神經網絡進行融合得到行人圖像的圖形表示特征向量；

S4.計算所述圖形表示特征向量的分類損失結果以及圖度量損失結果，進而判斷其是否收斂；若收斂則進行下一步，若否則根據所述分類損失結果及圖度量損失結果梯度反向傳播更新所述殘差神經網絡的參數及圖卷積神經網絡的參數，并返回步驟S2；

S5.獲取目標行人圖像，執行步驟S1～S3提取對應的圖形表示特征向量后，計算所述目標行人圖像的各圖形表示特征向量之間的相似度，根據相似度大小進行行人重識別。

2.根據權利要求1所述的基于圖度量學習的行人重識別方法，其特征在于，所述步驟S1前還包括以下步驟：獲取由不同攝像裝置拍攝得到的行人圖像，將其調整為固定大小后進行數據增強及去均值處理，并設置隨機選取輸入行人圖像對的方式。

3.根據權利要求1所述的基于圖度量學習的行人重識別方法，其特征在于，所述步驟S3具體為：以所述局部特征向量作為圖的結點，以人體姿態連接方式作為圖的邊，構建行人圖像的圖形表示，并通過圖卷積神經網絡融合得到行人圖像的圖形表示特征向量。

4.根據權利要求1所述的基于圖度量學習的行人重識別方法，其特征在于，步驟S4中所述的分類損失結果具體通過對所述圖形表示特征向量進行交叉熵損失計算得到：

其中，n表示所有行人圖像中行人的ID總數，y_i表示行人的ID真值，表示不同行人圖像中行人的ID真值是否為同一行人的ID真值。

5.根據權利要求4所述的基于圖度量學習的行人重識別方法，其特征在于，

步驟S4中所述的圖度量損失結果具體包括：

利用如下公式進行相似度計算：分別計算同一批行人圖像組成的圖像對中，相同行人的行人圖像對的圖形表示特征向量的余弦距離得到x⁺，不同行人的行人圖像對的圖形表示特征向量的余弦距離得到x^-：

其中f1，f2表示行人圖像的圖形表示特征向量；

再基于如下公式計算圖度量損失結果：

L^g＝(δ⁺²+δ^-2)+λmax(0,m-(μ⁺-μ^-))

其中μ⁺表示同一批行人圖像中，相同行人的行人圖像對的圖形表示特征向量的余弦距離的均值；μ^-表示不同行人的行人圖像對的圖形表示特征向量之間的余弦距離的均值；δ⁺²表示相同行人的行人圖像對的圖形表示特征向量的余弦距離的方差，δ^-2表示不同行人的行人圖像對的圖形表示特征向量之間的余弦距離的方差，λ表示權重參數，m表示正負類樣本相似度均值的邊界。

6.根據權利要求1所述的基于圖度量學習的行人重識別方法，其特征在于，步驟S4中所述進而判斷所述S3是否收斂的具體步驟包括：取所述圖形表示特征向量相鄰兩次迭代計算的分類損失結果以及圖度量損失結果之差，若差值小于預設收斂閾值，則判斷為收斂，否則為未收斂。

7.根據權利要求1所述的基于圖度量學習的行人重識別方法，其特征在于，步驟S5所述的獲取目標行人圖像后還包括將所述目標行人圖像調整為固定大小后進行數據增強及去均值處理，并設置隨機選取輸入行人圖像對的方式。

8.根據權利要求1所述的基于圖度量學習的行人重識別方法，其特征在于，步驟S5中所述根據相似度大小進行行人重識別具體為：若各目標行人圖像的圖形表示特征向量的相似度大于預設相似度閾值，則判斷其屬于同一個行人；否則判斷其不屬于同一行人。