[发明专利]基于融合损失函数的行人重识别模型优化方法

权利要求书

1.一种基于融合损失函数的行人重识别模型优化方法，其特征在于，包括以下步骤：

(1)利用神经网络训练得到行人重识别模型后，利用交叉熵损失函数计算模型中每个行人图像特征空间的损失；

(2)根据步骤1中计算得到的特征空间的损失值分布来设置损失阈值，并利用所设置的阈值构造三元组对象；

(3)利用三元组对象构造三重损失函数迭代优化，得到优化后的行人重识别模型。

2.根据权利要求1所述的基于融合损失函数的行人重识别模型优化方法，其特征在于，步骤(1)中所述的交叉熵损失函数为：

其中，p(x)、q(x)分别表示样本真实分布和预测分布，x表示随机样本。

3.根据权利要求1所述的基于融合损失函数的行人重识别模型优化方法，其特征在于：步骤(2)中所述的利用阈值构造三元组对象，包括以下过程：

(1)选取特征空间差距小于阈值下限和大于阈值上限的行人样本；

(2)从上一步的行人样本中抽取若干个样本，样本个数记为B，样本分别经过嵌入层计算，得到B³个损失值；

(3)将损失值小于阈值下限的样本标记为正样本图片，将损失值大于阈值上限的样本标记为负样本图片，从训练数据集中随机选择一个样本标记为锚样本图片，正样本、负样本和锚样本图片构成三元组对象。

4.根据权利要求1所述的基于融合损失函数的行人重识别模型优化方法，其特征在于：步骤(3)包括以下过程：

(1)利用三元组对象构造三重损失函数为

其中和代表正样本、负样本和锚样本图片，x代表模型中的样本，i是样本下标，N为样本总数，margin代表semi-hard triplets和hard triplets之间的距离，semi-hard triplets代表三重损失值介于阈值上限和阈值下限之间的特征值，hardtriplets代表三重损失值大于阈值上限的特征值，+表示[]内的值大于零的时候，取该值为损失，小于零的时候，损失取为零；

(2)最小化该三重损失函数，即得到和正样本之间的距离最小，且和负样本之间的距离最大的模型样本，得到优化的行人重识别模型，用于后续行人图像的匹配和识别。

5.一种行人重识别方法，其特征在于，所述行人重识别方法中用来匹配目标行人图像的行人重识别模型是采用权利要求1-4任一项所述的行人重识别模型优化方法进行优化后所得到的行人重识别模型。