[发明专利]一种基于紧致三元损失的行人再识别方法

权利要求书

1.一种基于紧致三元损失的行人再识别方法，其特征在于，所述方法包括以下步骤：

步骤S1，获取预训练深度学习模型，并对其进行参数初始化；

步骤S2，将训练集的行人图像输入所述预训练深度学习模型，得到与所述训练集行人图像对应的第一行人图像特征f_t；

步骤S3，设置紧致三元损失函数，并根据所述紧致三元损失函数计算所述第一行人图像特征f_t的紧致三元损失；

步骤S4，在所述预训练深度学习模型后增加批归一化层对所述第一行人图像特征f_t进行归一化操作，得到第二行人图像特征f_v；

步骤S5，在所述批归一化层后增加全连接层作为分类器对所述第二行人图像特征f_v进行分类，设置交叉熵损失函数，并根据分类结果和所述交叉熵损失函数计算所述第二行人图像特征f_v的交叉熵损失；

步骤S6，结合所述紧致三元损失和交叉熵损失，对于由所述预训练深度学习模型、批归一化层以及全连接层组成的行人再识别网络框架进行优化，得到最优行人再识别网络框架；

步骤S7，将测试行人图像输入所述最优行人再识别网络框架中，得到行人识别特征，并基于所述行人识别特征对于所述测试行人图像进行识别，得到行人识别结果；

所述步骤S3中，所述紧致三元损失函数为L_C表示为：

L_C＝L_T+λL_I+ηL_E,

其中，L_T是难样本三元损失函数，L_I是用于减小相同行人图像特征之间的差异的正则项，L_E是用于增大不同行人图像特征之间变化的正则项，λ和η分别表示控制行人图像特征类间和类内关系重要性的权重；

所述正则项L_I表示为：

其中，c_a是小批量行人图像中第a类行人的特征中心，x_ak是小批量行人图像中第a类行人的第k幅图像特征，P是小批量行人图像中行人类别数，K是每一类行人的图像数量；

所述第a类行人的特征中心c_a表示为：

所述正则项L_E表示为：

其中，P是小批量行人图像中行人类别数，β是预先设置的阈值，c_a和c_b分别表示第a类和第b类行人图像特征的中心。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括以下步骤：

步骤S21，对训练集的行人图像进行预处理；

步骤S22，将预处理后的行人图像输入所述预训练深度学习模型，得到与所述训练集行人图像对应的第一行人图像特征f_t。

3.根据权利要求1所述的方法，其特征在于，所述难样本三元损失函数L_T表示为：

其中，P是小批量行人图像中行人类别数，K是每一类行人的图像数量，m是预设的阈值，第一行人图像特征f_t包括特征x_ak、特征x_p和特征x_n，其中，特征x_ak是小批量行人图像中第a类行人的第k幅图像特征，特征x_p是小批量行人图像中与第a类行人具有相同标签的行人特征，特征x_n是小批量行人图像中与a类行人具有不同标签的行人特征，D(·,·)为距离函数。

4.根据权利要求1所述的方法，其特征在于，所述步骤S5包括以下步骤：

步骤S51，在所述批归一化层后增加一个全连接层作为分类器对所述第二行人图像特征f_v进行分类，计算所述第二行人图像特征f_v属于第i类别的预测类别概率p(i)；

步骤S52，基于所述预测类别概率p(i)，利用所述交叉熵损失函数L_ID计算所述第二行人图像特征f_v的交叉熵损失。