[发明专利]一种基于人体语义对齐的行人重识别方法、装置和系统

权利要求书

1.一种基于人体语义对齐的行人重识别方法，其中，所述方法包括：

获取来自一图片数据集的第一图片信息；

建立基础神经网络，提取所述第一图片信息中的特征并输出为特征图；

提取所述特征图中的全局特征向量和若干局部区域特征向量；

构建包括三元损失函数、交叉熵分类损失函数和语义对齐损失函数的联合损失函数，对所述基础神经网络进行调整，使得输出的所述全局语义特征向量含有所述若干局部区域特征向量的信息，完成深度卷积神经网络模型的建立，其中，所述语义对齐损失函数对所述全局特征向量和所述若干局部区域特征向量进行语义对齐损失计算。

2.如权利要求1所述的基于人体语义对齐的行人重识别方法，其中，所述联合损失函数为：

其中，I为输入的所述第一图片信息，y为对应所述第一图片信息中的真实标注数据，T为所述基础神经网络每次迭代需要的小批量输入图片的个数，为所述三元损失函数，C(θ，y)为所述交叉熵分类损失函数，M(θ，y)为所述语义对齐损失函数。

3.如权利要求1所述的基于人体语义对齐的行人重识别方法，其中，所述三元损失函数为：

所述三元损失函数接受三张图片同时作为输入；

在式子(2)中：

a代表anchor，指的是基准图片；

p代表positive，指的是和所述基准图片a为同一个人的图片；

n代表negative，指的是和所述基准图片a不是同一个人的图片；

D_a，p指的是所述基准图片a和所述图片p提取出的特征向量之间的距离；

D_a，n指的是所述基准图片a和所述图片n提取出的特征向量之间的距离；

m代表阈值margin，为可调参数，用来区分D_a，p和D_a，n距离之间的边界值。

4.如权利要求1所述的基于人体语义对齐的行人重识别方法，其中，所述方法包括：所述语义对齐损失函数为：

在式子(3)中，f_g为所述全局特征向量，f_l为所述局部区域特征向量。

5.如权利要求4所述的基于人体语义对齐的行人重识别方法，其中，所述语义对齐损失函数以所述全局特征向量与所述局部区域特征向量的欧式距离差值作为需要优化的损失值反馈给所述基础神经网络进行反向传导。

6.如权利要求1～5任一项所述的基于人体语义对齐的行人重识别方法，其中，所述方法还包括：

所述深度卷积神经网络模型对第二图片信息进行运算，提取所述第二图片信息的所述全局语义特征向量作为特征，并存入检索特征数据库中。

7.如权利要求6所述的基于人体语义对齐的行人重识别方法，其中，所述方法还包括：

所述深度卷积神经网络模型对待检索图像进行运算，提取所述待检索图像的所述全局语义特征向量；

计算所述待检索图像的所述全局语义特征向量与所述检索特征数据库的所有全局语义特征向量的欧式距离，得到一系列的距离值；

按照从小到大的顺序对所述距离值进行排序，返回排序结果的前K项。

8.一种基于人体语义对齐的行人重识别装置，其中，所述装置包括：

行人检测模块，所述行人检测模块检测视频中出现的行人；

特征提取模块，所述特征提取模块通过权利要求1～5任一项所述的基于人体语义对齐的行人重识别方法对所述行人检测模块中检测出的所述行人提取全局语义特征向量作为特征，并存入检索特征数据库中；

行人检索模块，所述行人检索模块提取待检索图像的所述全局语义特征向量，并计算所述待检索图像的所述全局语义特征向量与所述检索特征数据库的所有全局语义特征向量的欧式距离，得到一系列的距离值，按照从小到大的顺序对所述距离值进行排序，返回排序结果的前K项。