[发明专利]一种基于深度学习的行人重识别方法

权利要求书

1.一种基于深度学习的行人重识别方法，其特征在于，所述方法包括如下步骤：

步骤1：预训练CNN模型：预训练CNN方法，包括行人特征提取和特征度量，行人特征提取采用将全局特征以及局部特征相融合的方法，特征度量采用欧式距离作为相似性度量，在特征向量的距离约束条件下，建立基于度量矩阵的损失函数，采用的损失函数是在传统的Triplet Loss基础上增加约束函数，对CNN模型进行优化；

步骤2：测试数据集：将测试数据集图像输入步骤1训练好的CNN模型中，获取图像特征并用欧氏距离计算目标行人图像和参考行人图像之间的相似度，最后将参考行人图像按照相似度大小排列，获得行人重识别结果。

2.根据权利要求1所述的基于深度学习的行人重识别方法，其特征在于，步骤1具体流程包括：

步骤1.1，输入图像：输入标记图像，分别从不同的视频流中获取目标行人图像和参考行人图像；将标记图像缩放成一定大小，并输入到深度学习网络，深度学习网络的最终输出为图像的特征映射；

步骤1.2，局部特征提取：对于局部特征提取，首先在水平方向对图像特征进行逐行提取，然后再进行1x1的卷积操作，得到的特征代表人体图片的一个水平部分，在局部特征的学习中，通过计算最短路径进行对齐操作；

步骤1.3，全局特征提取：对于全局特征的提取，用全局池化在特征图上滑动提取特征，结合步骤1.2中的多个局部特征，最后一张图像的特征用一个全局特征和多个局部特征代替；

步骤1.4，特征距离计算：分别计算步骤1.2和1.3提取的特征向量的欧式距离，公式如下：

其中d是两个图像上从点x_1i到x_2i之间的欧氏距离；

步骤1.5，损失函数：在特征向量的距离约束条件下，建立基于度量矩阵的损失函数，采用改进的Triplet Loss做损失函数，使用欧式距离作为相似性度量。

3.根据权利要求2所述的基于深度学习的行人重识别方法，其特征在于，步骤1.2具体包括：

F＝{f₁，...，f_H}和G＝{g₁，...，g_H}是两个图像的局部特征，每个距离矩阵D的计算公式：

其中，d_i，j是第一个图像的第i个垂直部分和第二个图像的第j个垂直部分之间的距离，距离矩阵D是基于这些距离形成的，其中(i，j)元素是d_i，j，定义两幅图像之间的局部距离为矩阵D中从(1，1)到(H，H)的最短路径的总距离；

动态规划中求最短路径所采用的状态转移方程：

其中，S_i，j是距离矩阵D中从(1，1)到(i，j)行走时S_H，H是两个图像之间的最终最短路径的总距离。