[发明专利]基于融合损失函数的行人重识别模型优化方法

说明书

本发明公开了一种基于融合损失函数的行人重识别模型优化方法，包括(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相似度；(2)根据空间相似度设置损失阈值，并利用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。本发明结合交叉熵损失函数和三重损失函数，将深度学习和特征识别应用在行人重识别问题上面，对提高治安管理具有重要的意义。

技术领域

本发明涉及一种行人重识别方法，尤其涉及一种基于融合损失的行人重识别优化计算方法。

背景技术

随着人工智能技术的迅猛发展和视频监控设备的日益普及，智能监控以其准确、及时和功能丰富而受到社会各界的广泛关注。目前行人重识别问题在机器视觉领域得到的广泛的关注，近几年来已经有很多的相关算法在该问题上得到了很好的实现，并且在识别精确度方面都获得了优秀的结果。随着未来安防系统性价比的不断提高和数字高清化、智能化等技术的发展，市场应用空间将不断增长。

我们可以将行人重识别问题看作是一种图片的单分类问题，即在众多图片数据中既快又好的找到搜索目标。近几年，主流的行人重识别算法大都是基于卷积神经网络的架构。这些算法由多层的卷积运算获得良好的行人特征来进行识别。但是我们在实践的过程中发现，行人图片的获取是源源不断的，一旦图片数据量过于庞大，例如Mars数据集，就需要更深的网络架构来提取特征，但这样往往会出现梯度反向传播到前面的层，重复相乘使梯度无穷小，甚至是消失，导致训练集准确率下降。其次，现有的行人重识别模型只对行人进行有限个主要特征的训练提取，而对于更多细节特征点的提取还远远不足以满足现实行人图像识别精度的要求。再次，在实际训练过程中发现，如果仅仅使用交叉熵损失函数对现有的行人重识别模型进行优化，由于数据集数量比较庞大，相似的行人图片较多，单一地比较输出和期望的差距，虽然计算速度上比较快，但是在准确度上会有所欠缺。而且还会导致冗余参数多训练时间久，在诸如集群检索等问题时计算的开销就非常高，希望找到多个目标人物时，识别效果并不是很好，因为每次匹配都必须通过与每个图片库图像配对的网络，并不适合物联网端到端的识别。

发明内容

发明目的：针对以上问题，本发明提出一种基于融合损失函数的行人重识别模型优化方法，能够提升行人重识别的识别率并加快运行速率。

技术方案：本发明所采用的技术方案是一种基于融合损失函数的行人重识别模型优化方法，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。

其中，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。

进一步的，步骤(2)中所述的利用阈值构造三元组对象，包括以下过程：

(21)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；

(22)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(embedding)计算，得到B³个损失值；

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

进一步的，步骤(3)包括以下过程：