[发明专利]一种基于随机线性插值的行人再识别数据增强方法

权利要求书

1.一种基于随机线性插值的行人再识别数据增强方法，其特征在于，包括以下步骤：

步骤1，通过监控系统捉视角不交叉的不同相机下同一个行人的照片，再将不同行人照片中行人图像分别截取出来，构成该行人的图像数据集；利用不同行人的图像数据集构建行人再识别数据集，并将其划分为训练集和测试集；

步骤2，初始化随机线性插值的插值强度参数，设置训练集中需要被增强的样本比例，将待增强的样本与训练集中的随机一个样本进行插值操作，生成新的样本，然后对待增强的样本进行重新标记；

步骤2.1，首先通过贝塔分布Beta(α,β)生成随机线性插值的强度μ，这里α＝β是贝塔分布的参数；

步骤2.2，将训练集平均划分成k个样本的批训练数据，设定需要被数据增强的样本比例γ，然后利用下式进行插值操作，得到新的样本的特征，从而得到新的样本；

其中，表示批训练数据生成新的样本的特征,x_a表示批训练数据中的待增强样本的特征，x_t表示批训练数据中任意一个样本的特征，μ表示的是随机线性插值的插值强度，{R,G,B}表示样本的像素特征，共有三个颜色通道：红，绿，蓝；

步骤2.3，利用步骤2.1中的插值强度μ，对批训练数据中的待增强的样本进行重新标记，得到增强样本的双标记，如式2所示:

其中，表示混合了待增强的样本a和批训练数据中任意样本t的标签，同时具备了两个样本的标签信息；y_a表示待增强的样本a的标签，y_t表示所述任意样本t的标签；

步骤3，将生成的新的样本和训练集中的样本混合作为输入层，使用卷积神经网络模型进行训练，设定训练代数，当模型的损失函数收敛或者达到训练代数，则进行步骤4，否则更新步骤3；

步骤4，步骤3中训练好的模型获得了不同相机拍摄的照片中行人图像的映射关系，利用训练好的模型对测试集中的行人图像进行匹配预测，得到识别的结果。

2.如权利要求1所述的基于随机线性插值的行人再识别数据增强方法，其特征在于，所述的基于随机线性插值的行人再识别数据增强方法，还包括：

将测试集的样本放入到步骤3中得到的模型中训练，得到相应的预测向量，设定评估参数p的值，将预测向量中最大的p个值对应的类别和测试集中待测样本的真实类别进行比较，如果待测样本的真实类别存在于预测的p个类别中，则统计预测对的样本数增加1；

统计测试集中总共的预测正确的样本数T，以及总的测试集样本数N，计算Rank-p准确率：

根据计算出来的Rank-p准确率，使用格点搜索的方法对所述的卷积神经网络模型的参数μ、γ进行调节，使得最终得到的模型性能达到最好。

3.如权利要求1所述的基于随机线性插值的行人再识别数据增强方法，其特征在于，步骤3所述的用卷积神经网络模型进行训练时，记录每一次训练时的损失函数值，如式3所示：

loss＝μ·(y_pred-y_a)+(1-μ)·(y_pred-y_t) 式3

其中loss表示损失函数值，y_pred表示样本a的预测标签，y_a表示样本a的真实标签，y_t表示样本t的真实标签。

4.如权利要求1所述的基于随机线性插值的行人再识别数据增强方法，其特征在于，所述的卷积神经网络模型，是指：

所述的卷积神经网络采用改进的ResNet50网络，具体是在ResNet50网络的基础上，移除原有的全连接层，将全连接层替换为线性层，在线性层之后增加一个BatchNormalization层；除此之外，使用Leaky ReLU作为线性层和Batch Normalization层的激活函数，设定Leaky ReLU的负斜率参数为0.01，设定卷积神经网络的dropout的参数为0.5；在训练时，定训练代数参数为60，初始的学习率为0.001，并且网络的初始权重使用了在ImageNet上的训练参数。

5.如权利要求1所述的基于随机线性插值的行人再识别数据增强方法，其特征在于，所述的样本比例γ的取值范围为[0.3,0.5]。