[发明专利]一种基于深度多示例学习的行人重识别方法

说明书

本发明公开了一种基于深度多示例学习的行人重识别方法，属于数字图像识别领域，本发明构建的行人重识别模型首先通过CNN获取多张不同尺寸的特征图；然后通过可学习的方式将每一张特征图划分为多个部分，得到深度多示例学习中的示例；最后对负示例进行丢弃后利用正示例对每张特征图生成对应的特征向量，得到不同尺度特征图对应的多个特征向量；根据行人身份对输出的多个特征向量进行分类以对训练模型进行训练；对训练好的行人重识别模型输出的多个特征向量进行加权串接用于测试。本发明结合深度多示例学习思想，采用NetVLAD和GhostVLAD提取图片中的局部特征，提高了网络的抗形变能力，进而提高了行人重识别算法的准确率。

技术领域

本发明属于数字图像识别技术领域，更具体地，涉及一种基于深度多示例学习的行人重识别方法。

背景技术

随着各种电子设备的发展和普及，监控已经开始逐步安装到各种公共场所，监控设备采集到的信息也在快速增长。在这种情况下，对监控采集到的这些巨量的信息的处理和利用就变成了一个迫切的需求，而行人重识别就是其中非常重要的一个方面。行人重识别任务可以理解为从一系列通过监控图像采集到的行人的图像的集合中寻找与给定的一个行人的图片最接近的一张(或几张)图片。其在罪犯追踪、走失人口找回等方面有着极为重要的作用。此外，行人重识别任务有助于利用商场监控建立顾客行为路线，从而进一步地分析顾客的行为，达到更合理的布局。总之行人重识别在很多地方都有着较大的需求，是计算机视觉中一个非常重要的任务。

目前行人重识别的主要算法基本可以分为三类：手工设计特征、基于深度学习的全局特征以及基于深度学习的局部特征。其中手工设计特征因为其判别能力有限而被后续的基于深度学习的特征大幅度超过，目前应用很少。对于基于深度学习的全局特征，因为传统CNN框架中存在的MaxPooling等层会导致网络容易抑制一些局部的响应偏弱的特征。而行人重识别任务本身作为一个精细化分类任务，这些局部的特征对于任务本身来说是非常重要的，因而相比与全局特征，基于局部的特征往往能取得较好的结果。

在局部特征的设计中，传统的方法多采用固定的局部划分方式，直接在特征图上通过水平切条等方式按照预先定义好的方式进行划分，但行人重识别任务中往往存在形变大、易遮挡等问题，这种固定的划分方式会因为行人位置在图片中的变化而产生错误的划分，从而导致识别的准确率降低。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于深度多示例学习的行人重识别方法，旨在解决在行人重识别局部特征的设计中，由于采用传统的区域划分方法划分得到的区域固定，不能适应行人重识别过程中存在的形变大、易遮挡的应用需求，而导致行人重识别准确率低的问题。

为实现上述目的，本发明提供了一种基于深度多示例学习的行人重识别方法，包括：(1)构建行人重识别模型；

所述行人重识别模型包括特征提取单元、示例挖掘单元、负示例丢弃单元；

所述特征提取单元，用于通过卷积神经网络对原始图像进行特征提取，得到多张不同尺度的特征图；

所述示例挖掘单元，用于通过可学习的方式将每一张特征图划分为多个部分，得到每个部分对应的局部特征描述子，并将所述局部特征描述子作为深度多示例学习中的示例；

所述负示例丢弃单元，用于对所述示例中的负示例进行丢弃，并利用正示例对每张特征图生成对应的特征向量，得到不同尺度特征图对应的多个特征向量；

(2)将原始图片作为所述行人重识别模型的输入，将原始图片内行人对应的身份标签作为所述行人重识别模型输出向量经过分类后的期望输出，对所述行人重识别模型进行训练；

(3)将目标图片和多个待检索图片分别输入训练好的行人重识别模型，将目标图片输出的多个特征向量进行加权串接后作为目标特征向量，将每个待检索图片输出的多个特征向量进行加权串接后作为待检索特征向量，计算目标特征向量与每个待检索特征向量的相似度并进行排序，得到行人重识别结果。