[发明专利]一种基于特征选择卷积神经网络的目标重识别方法和装置

权利要求书

1.一种基于特征选择卷积神经网络的目标重识别方法，其特征在于，包括以下步骤：

S1.将待重识别的原始图像输入到特征选择卷积神经网络中；

S2.特征选择卷积神经网络对原始图像进行处理，从而提取并输出原始图像的特征向量；

S3.根据原始图像的特征向量，对目标进行重识别；

所述特征选择卷积神经网络包括多个卷积层，每个所述卷积层分别用于对各自的输入值进行处理，从而输出与输入值相应的特征图组，所述特征图组包括多个特征图；

所述特征选择卷积神经网络还包括至少一个特征图选择层，所述特征图选择层分别设置在相邻的两个卷积层之间，所述特征图选择层用于接收上一层卷积层输出的特征图组，并对所接收的特征图组所包含的特征图进行筛选，并将经过筛选后的特征图组作为下一层卷积层的输入值；

所述特征选择卷积神经网络对输入的多个原始图像进行批量处理，从而使特征图选择层接收到与各原始图像分别对应的多个特征图组，所述特征图选择层通过以下步骤来对所接收到的各特征图组进行筛选：

计算各特征图组的对应特征图之间的相似度；

将超过预设标准的相似度对应的特征图从各自的特征图组中删除；

所述相似度为根据各特征图计算得到的协方差；

所述特征图选择层通过以下步骤来对所接收到的各特征图组进行筛选：

将各特征图组中的对应特征图分别组合成待比较向量；

分别计算各待比较向量对应的协方差矩阵；

计算各协方差矩阵的迹；

将迹小于预设阈值的协方差矩阵所对应的待比较向量筛选出来，然后将被筛选出的待比较向量中的特征图从相应特征图组中删除。

2.根据权利要求1所述的一种基于特征选择卷积神经网络的目标重识别方法，其特征在于，步骤S3具体包括：

S31.计算原始图像的特征向量与预先取得的候选图像的特征向量之间的欧氏距离；

S32.将达到预设标准的欧氏距离所对应的候选图像作为原始图像的重识别结果。

3.根据权利要求1所述的一种基于特征选择卷积神经网络的目标重识别方法，其特征在于，在执行步骤S1之前，还包括对特征选择卷积神经网络进行训练的步骤。

4.根据权利要求3所述的一种基于特征选择卷积神经网络的目标重识别方法，其特征在于，所述对特征选择卷积神经网络进行训练的步骤，具体包括：

使用训练图像对特征选择卷积神经网络进行训练；

在训练过程中，记录特征选择卷积神经网络所进行的迭代总次数，并记录各特征图被特征图选择层筛选掉的次数。

5.根据权利要求4所述的一种基于特征选择卷积神经网络的目标重识别方法，其特征在于，在执行对特征选择卷积神经网络进行训练的步骤之后、执行步骤S1之前，还包括对特征选择卷积神经网络进行测试的步骤。

6.根据权利要求5所述的一种基于特征选择卷积神经网络的目标重识别方法，其特征在于，所述对特征选择卷积神经网络进行测试的步骤，具体包括：

根据训练过程中记录到的特征选择卷积神经网络所进行的迭代总次数和各特征图被特征图选择层筛选掉的次数，计算各特征图对应的比例值；

以各比例值作为对应特征图在特征选择卷积神经网络中前向传播的权重系数，对特征选择卷积神经网络进行测试。

7.一种基于特征选择卷积神经网络的目标重识别装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-6任一项所述方法。