[发明专利]一种行人重识别系统和方法

权利要求书

1.一种行人重识别系统，其特征在于，包括第一特征训练模块(1)、第二特征训练模块(2)、局部划分训练模块(3)和识别模块(4)；

所述第一特征训练模块(1)用于在基于卷积神经网络的行人重识别方法中采用多尺度局部特征竞争选择技术构造新的分类器Cw；所述第一特征训练模块(1)包括第一数据预处理单元、主干网络设置单元、特征分组单元、特征池化单元、特征降维单元、特征分类单元和新分类器构造单元；

所述第二特征训练模块(2)用于在卷积神经网络的行人重识别方法的基础上获取整个神经网络的最优参数；

所述局部划分训练模块(3)用于将数据通过加载的ResNet主干网络、特征分组单元、特征池化单元和特征降维单元对多个局部特征进行标记，据此为每组特征降维单元输出的局部特征训练一个局部划分分类器Ck；

所述识别模块(4)将数据通过加载的ResNet主干网络、特征分组单元、特征池化单元和特征降维单元提取到的特征经过局部划分分类器Ck进行分类，其中Ck分类为正例的特征为有效特征；

所述第一数据预处理单元用于将所有行人图像缩放至统一尺寸作为训练集，并将左右翻转后的图像加入所述训练集进行数据增强；所有数据训练时随机打散，将像素点RGB值减去图像均值做归一化到0至1之间；

所述主干网络设置单元用ImageNet预训练的ResNet卷积神经网络作为主干网络，其中ResNet最后一个模组不做降采样，以提取行人图像的视觉特征共H/16×W/16×2048维；

所述特征分组单元将H/16×W/16×2048维特征按n个尺度划分为n组，其中第i组将图像水平划分成si个部分，每个部分包含(M/si)×N×D维特征；

所述特征池化单元用于对每个部分的特征进行全局最大池化和全局平均池化，并用1×1的卷积层进行维度缩减至dl维；

所述特征降维单元用于对H/16×W/16×2048维特征整体应用全局最大池化和全局平均池化，并用1×1的卷积层进行维度缩减至dg维；

所述特征分类单元用于将维度缩减后的每个H维局部特征分别送入各个局部分类器Ci进行分类，多个所述局部分类器Ci互相竞争筛选得到效果最好的k个局部特征；

所述新分类器构造单元用于将k个所述局部特征与整体特征组合成一个嵌入特征，且在所述嵌入特征上构造新的分类器Cw。

2.根据权利要求1所述行人重识别系统，其特征在于，所述第二特征训练模块(2)包括归一化角度度量单元、最优参数获取单元和第一持续训练单元；

所述归一化角度度量单元用于将提取到的不同行人的特征映射到单位超球面上，从而保证在流型上特征的类间距离充分大同时类内距离更加紧凑；

所述最优参数获取单元用于将k个分类器和分类器的损失函数之和作为总的损失函数，用SGD方法反向传播训练获取整个神经网络的最优参数；

所述第一持续训练单元用于将所述损失函数训练至收敛；当学习速率为0.01时训练至少40个epoch，当学习速率为0.001训练至少20个epoch。

3.根据权利要求2所述行人重识别系统，其特征在于，所述局部划分训练模块(3)包括第二数据预处理单元、第一训练模型及参数加载单元、分类器训练单元和第一训练单元；

所述第二数据预处理单元与所述第一数据预处理单元一致；

所述第一训练模型及参数加载单元用于加载训练模型及参数；

所述分类器训练单元用于将数据通过加载的ResNet主干网络、特征分组单元、特征池化单元和特征降维单元对多个局部特征进行标记，据此为每组特征降维单元输出的局部特征训练一个局部划分分类器Ck；

所述第一训练单元用于在只允许Ck为可变参数时，用SGD方法反向传播训练至其收敛。