[發明專利]一種基于行人重識別的度量損失框架改進方法及相關設備

在審

• 申請號: 202210905618.7
• 申請日: 2022-07-29
• 公開（公告）號: CN115170835A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 徐穎;庾名星;蔡大森;湯俊杰;陳明偉
• 申請（專利權）人: 深圳大學
• 主分類號: G06V10/62
• 分類號: G06V10/62;G06V40/10;G06V10/82;G06V10/764;G06V10/774;G06V10/776
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 陳專

本發明公開了一種基于行人重識別的度量損失框架改進方法及相關設備，所述方法包括：利用對角化方法對擬合不同類別樣本總體分布的協方差矩陣進行降維處理；利用代理矩陣存儲不同類別的協方差矩陣的對角元素，并通過代理矩陣將樣本的不確定性范圍映射到特征空間中；利用SVD分解網絡對特征提取網絡的輸出層參數矩陣進行奇異值分解；利用左奇異矩陣代替原參數矩陣，不改變特征向量歐氏距離相關性，將特征向量投影到正交的特征解空間中，完成對特征向量緯度的相關性解耦；根據提取得到的維度相關性解耦的特征向量，完成對度量損失框架的改進。本發明降低了損失函數的計算復雜度和模型復雜度，提升了訓練效率和模型性能。

技術領域

本發明涉及機器視覺技術領域，尤其涉及一種基于行人重識別的度量損失框架改進方法、系統、終端及計算機可讀存儲介質。

背景技術

近些年來，隨著安防需求激增，視頻監控設備安裝總量呈持續高速增長態勢。面對海量監控數據，即海量圖像、視頻，如何對這些數據進行主動分析，從而挖掘出有用信息成為了社會治安防控工作中的重點內容。

行人重識別技術因為可以通過對行人衣著、姿態、輪廓等高層外型特征對目標圖像在跨攝像頭域的圖像中進行檢索，而成為了智能監控系統中的重要一環，其相關理論與研究具有重要的科研價值與應用價值。而基于度量學習的行人重識別研究隨著深度學習的發展已經取得了相當的成果，例如了三元組損失函數(triplet loss)，即通過每次輸入給模型一個包含兩個同類樣本、一個異類樣本的三元組，而其優化目標是使同類樣本對的距離相對于異類樣本對的距離之差始終小于某個特定閾值；例如在圖像檢索任務中使用三元組損失，挖掘樣本相似性；然后，將三元組損失應用到人臉識別任務，并設計了一個多尺度的網絡結構提取圖像特征。例如在行人重識別任務中，利用三元組損失構建了不同身份的行人在特征空間中的關系。例如還有提出了在三元組損失函數中對樣本的分布進行高斯不確定建模算法，但改進后的損失函數存在著計算復雜度高的問題，同時現存的度量學習方法都未在輸入的特征向量層面對特征緯度進行解耦，導致了模型復雜度高的問題。

因此，現有技術還有待于改進和發展。

發明內容

本發明的主要目的在于提供一種基于行人重識別的度量損失框架改進方法、系統、終端及計算機可讀存儲介質，旨在解決現有技術中現存的度量學習方法都未在輸入的特征向量層面對特征緯度進行解耦，導致了模型復雜度高的問題。

為實現上述目的，本發明提供一種基于行人重識別的度量損失框架改進方法，所述基于行人重識別的度量損失框架改進方法包括如下步驟：

利用對角化方法對擬合不同類別樣本總體分布的協方差矩陣進行降維處理；

利用代理矩陣存儲不同類別的協方差矩陣的對角元素，并通過代理矩陣將樣本的不確定性范圍映射到特征空間中；

利用SVD分解網絡對特征提取網絡的輸出層參數矩陣進行奇異值分解；

利用左奇異矩陣代替原參數矩陣，不改變特征向量歐氏距離相關性，將特征向量投影到正交的特征解空間中，完成對特征向量緯度的相關性解耦；

根據提取得到的維度相關性解耦的特征向量，完成對度量損失框架的改進。

此外，為實現上述目的，本發明還提供一種基于行人重識別的度量損失框架改進系統，其中，所述基于行人重識別的度量損失框架改進系統包括：

矩陣降維模塊，用于利用對角化方法對擬合不同類別樣本總體分布的協方差矩陣進行降維處理；

樣本映射模塊，用于利用代理矩陣存儲不同類別的協方差矩陣的對角元素，并通過代理矩陣將樣本的不確定性范圍映射到特征空間中；

奇異值分解模塊，用于利用SVD分解網絡對特征提取網絡的輸出層參數矩陣進行奇異值分解；