[发明专利]一种基于残差网络思想的高效行人重识别方法

权利要求书

1.一种基于残差网络思想的高效行人重识别方法，包括以下部分：

A、对公开数据集CUHK-03中1163个行人图片重新整理；

B、设计卷积神经网络模型，将整理数据集中的训练集输入到网络模型对模型进行训练，训练结束之后，采用验证数据集微调训练好模型的超参数，保证模型的准确率。

C、保存训练好的模型，测试模型的准确率。

2.根据权利要求1所述的一种基于残差网络思想的高效行人重识别方法，其特征在于，所述的部分A中，将公开数据集CUHK-03整理成模型所需要的形式，即：将数据集中的所有图片分别放在a，b两个文件夹，两个文件夹下都有‘train’，‘validation’，‘test’3个子文件，‘train’子文件下有以0-1162数字命名的子文件，数字表示每个不同的行人，每个以数字命名的文件夹下有相应行人的图片。‘validation’子文件下有以0-99数字命名的子文件，每个以数字命名的文件夹下有相应行人的图片。‘test’子文件下有以0-99数字命名的子文件，每个以数字命名的文件夹下有相应行人的图片。

3.根据权利要求1所述的一种基于残差网络思想的高效行人重识别方法，其特征在于，所述的部分B中，卷积神经网络模型详细介绍如下：该模型一共包括五层，分别是图像预处理层、残差网络模块层、特征差值处理层、特征汇聚层和全连接处理层。在图像预处理层、残差模块层中，输入的两张图像共享所有的权重矩阵参数，这样能够提取两张相同图像的相似特征。在模型中经过卷积处理之后都会采用BatchNormalization处理，目的是归一化处理提取的图像特征，加快网络前向传播的速度，有效减少模型出现过拟合现象。首先，模型将两张图片经过图像预处理层进行简单预处理之后，我们将输出的结果送入残差网络模块层，提取两张图像的深层特征。在残差网络模块中包括设计的两种不同的残差网络模块，交替使用两种模块，可以加深网络模型的深度，提取更加有效的图像特征，而且又能保证网络模型不会因为层数的增加出现梯度消失的现象。然后，将残差网络模块层输出的特征矩阵送入特征差值处理层，通过矩阵差异处理，提取每个矩阵的空间结构信息和特征差异信息，获得两张图片之间特征的局部关系。我们使用特征汇聚层总结提取的矩阵局部关系，简化处理提取的特征矩阵。最后，经过全连接处理层进行二分类，得到结果概率值，判断输入的两张图片是否是同一个人。

4.根据权利要求1所述的一种基于残差网络思想的高效行人重识别方法，其特征在于，所述的部分C中，将数据集按照一定的比例分为训练集、验证集、测试集，采用测试集对已训练好的模型进行测试，得到模型在测试集上的准确度。经验证，已训练好的模型在测试集上的准确率仍能和训练集一样，保持在较高水平。