[发明专利]一种基于正样本平衡约束的深度行人再标识方法

权利要求书

1.一种基于正样本平衡约束的深度行人再标识方法，其特征在于，包括以下步骤：

S1：输入数据训练数据集其中，N是样本数量，d是图像像素，c是训练集中不同行人的数量，x_i是d维的列向量，y_i＝[y_i1，y_i2，y_i3，...，y_ic]^T是c维的列向量，其中的元素等于1或0，并且X＝[x₁，x₂，x₃，...，x_N]，X是d行N列的矩阵；

S2：使用softmax分类模型对网络进行预训练；

S3：使用基于正样本平衡约束的提升结构损失对网络进行训练；

S4：对测试样本图像进行特征提取；

S5：利用得到的特征对测试样本进行最近邻KNN分类进而得到再标识结果；

所述步骤S2的具体过程是：

设置网络的训练学习率η和epoch最大次数T，并且使用softmax分类模型对网络参数W进行预训练，训练的方法为反向传播算法，具体的步骤如下所示：

首先初始化网络参数W；若当前epoch次数少于T，则生成迷你批数据然后把，输入到网络进行向前传播计算，计算得到该次迭代的损失函数值然后根据进行向后传播计算，计算梯度最后进行网络参数更新网络参数根据该规则进行不断更新，直到epoch次数等于T；

所述步骤S3的具体过程是：

把深度网络的损失函数从交叉熵换为提升结构损失，对于训练数据集为定义代表训练样本中正样本对的集合，而则代表负样本对的集合，正样本对距离为D_i，j，而负样本对距离为D_i，k和D_i，l是控制负样本对距离的常数参数；

把深度网络的损失函数从交叉熵换为提升结构损失，其具体公式如下：

其中：

D_i，j＝||Ψ(x_i)-Ψ(x_j)||₂

其中增加两个常数参数β和λ，前者控制正样本对距离，后者平衡梯度：

再设置网络的训练学习率η和epoch最大次数T，以及三个常数参数α、β、λ，使用反向传播算法对深度网络进行训练，最终得到优化好的网络参数W。

2.根据权利要求1所述的基于正样本平衡约束的深度行人再标识方法，其特征在于，所述步骤S4的具体过程是：

对测试样本图像进行特征提取，测试样本图像由查询集和测试集行人再标识的目的是给定一个查询集样本x_iq，要在测试集中检索出相同行人的图像，设Ψ(·)代表深度卷积网络，则对查询集和测试集提取深度特征Ψ(x_iq)和Ψ(x_it)。

3.根据权利要求2所述的基于正样本平衡约束的深度行人再标识方法，其特征在于，所述步骤S5的具体过程是：

利用得到的Ψ(x_iq)和Ψ(x_it)，对查询集中的每个样本在测试集中进行检索，返回的包括若干图像的检索列表即为再识别结果。