[发明专利]一种基于紧致三元损失的行人再识别方法

说明书

本发明实施例公开了一种基于紧致三元损失的行人再识别方法，该方法包括：将训练集行人图像输入预训练深度学习模型，得到第一行人图像特征；根据紧致三元损失函数计算第一行人图像特征的紧致三元损失；对第一行人图像特征进行归一化，得到第二行人图像特征；根据交叉熵损失函数计算第二行人图像特征的交叉熵损失；结合紧致三元损失和交叉熵损失，优化行人再识别网络框架；基于优化行人再识别网络框架进行行人识别。本发明充分利用紧致三元损失与交叉熵损失的优势，联合两种损失来执行多任务操作、学习行人特征，进一步提高了行人再识别的匹配正确率。

技术领域

本发明属于模式识别、人工智能领域，具体涉及一种基于紧致三元损失的行人再识别方法。

背景技术

为了保障人民生命、财产安全，在公园、学校、医院等公共场所均安装有大量的监控摄像头，构成了大规模的分布式监控系统。行人再识别(Person Re-Identification)技术能够在不同摄像头下搜索相同行人，进而定位目标行人。然而，由于行人姿势变化，光照变化，摄像头角度不同以及遮挡等众多原因，行人再识别技术仍面临着巨大的挑战。研究者一直致力于探索更具判别性的行人特征，以提高行人识别的准确率。

近年来，研究者将深度学习方法应用到行人再识别领域，使得行人再识别性能大幅提高。从深度模型所用损失函数的角度可以将深度学习方法大致分为三类：第一类是执行排序任务的方法，Varior等人利用对比损失优化孪生神经网络，使相同行人特征相互靠近，不同行人特征相互远离；Hermans等人提出难样本三元损失函数，使小批量中正样本对之间的最大距离小于负样本对之间的最小距离。第二类是执行分类任务的方法，Sun等人将深度模型的特征图划分为六部分，之后利用交叉熵损失函数为每部分特征进行分类，最后串联六部分特征用以表示行人图像；Si等人从多个分类模型中提取判别性特征，之后利用融合策略集成来自不同模型的特征表示，该方法进一步提高了行人再识别的准确率。第三类是执行多任务的方法，Bai等人将神经网络分为三个分支，其中前两个分支执行分类任务分别学习整体和局部特征，第三个分支执行排序任务，最后联合三个分支的损失共同优化神经网络；Wang等人提出多颗粒网络框架，之后利用三元组损失和交叉熵损失学习不同尺度的行人特征，并联合两种损失共同优化网络结构。然而，以上方法并没有考虑行人图像特征之间的关系，以至于相同行人图像特征差异较大，不同行人图像特征判别性不强。

发明内容

本发明的目的是要解决相同行人图像特征之间变化太大，不同行人图像特征之间变化不明显的技术问题，为此，本发明提供一种基于紧致三元损失的行人再识别方法。

为了实现所述目的，本发明提出的一种基于紧致三元损失的行人再识别方法包括以下步骤：

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；