[发明专利]一种基于分类权重等距分布损失模型的行人重识别方法

说明书

本发明公开了一种基于分类权重等距分布损失模型的行人重识别方法，该方法主要解决行人重识别任务中样本不平衡问题。包括步骤：将行人图片输入到卷积神经网络以获得行人特征向量；对行人特征向量以及分类层中的权重向量进行归一化操作；由归一化权重向量计算权重等距分布损失，由归一化后的行人特征和权重向量计算分类损失；利用权重等距分布损失和分类损失训练卷积神经网络；将测试行人图片输入到训练好的网络得到对应的归一化特征向量，利用这些特征向量完成行人重识别。该方法从损失函数的角度出发，针对行人数据集中样本不平衡现象的问题，在分类空间中对分类权重向量进行约束，以缓解样本不平衡对模型训练的影响，提高行人重识别的准确率。

技术领域

本发明属于计算机视觉和深度学习领域，涉及一种基于分类权重等距分布损失模型的行人重识别方法。

背景技术

行人重识别，也称行人再识别，是计算机视觉领域近年来十分热门的研究课题，其目标是在给定一张监控摄像头视角下的行人图像后，能够在其他监控视角下检索出该行人。行人重识别技术能够克服固定的视角局限，在多个不相关的监控域进行行人检索。随着公共区域(例如学校、商城、街道路口等)中摄像头网络的普及以及高清摄像头的性能提升，行人重识别在智能安防、智慧城市监控、智能社会治安管理与刑侦追查等方面发挥重要作用。

深度学习的兴起和大规模数据集的出现，使得基于深度学习的行人重识别技术近年来被广泛研究且得到快速发展。但由于大规模数据采集的困难性，数据集往往呈现出样本不平衡现象，即小部分类别具有大量的样本数而大部分类别的样本数相对较少，这导致训练出来的模型对样本数量较多的类别表现出较好的识别性能，而对样本数量较少的类别的识别性能较差，降低了模型的泛化能力，给行人重识别任务带来较大的困难。

近年来有许多研究提出了解决行人重识别任务中样本不平衡问题的方法，其中一种方法是通过结合分类损失和度量损失来约束行人特征在度量空间中的分布。此类方法首先通过深度网络模型从输入的行人图片中提取高维行人特征。之后，分类损失从行人类别信息的角度利用分类器引导网络模型进行学习，它将行人特征转化为与类别相关的概率并使该特征所属类别的概率最大化，由此得到分类损失；度量损失从行人特征在度量空间的分布的角度，对特征进行约束，使得同类特征在度量空间中相近，类别不同的特征远离，由此得到度量损失。在训练阶段，分类损失和度量损失结合，一起用来训练模型。最后，用训练好的模型分别对测试集中的查询集行人图片和候选集行人图片进行特征提取，并使用距离函数计算查询集图片特征与所有候选集图片特征的距离，将距离结果从小到大进行排序，计算并得到重识别结果。现有技术中，对行人特征在度量空间中的约束效果较差，影响行人重识别的性能。

发明内容

本发明的目的在于针对现有技术所存在的问题，提出一种基于分类权重等距分布损失模型的行人重识别方法，该方法从约束行人特征在度量空间中的分布的角度出发，对特征所处度量空间进行归一化约束，将分类层中的分类向量视为类别中心，并在特征空间中对所有分类中心进行等距分布约束，引导特征均匀分布，帮助模型学习更具有辨别力的行人特征，从而提高行人重识别的准确率。

本发明所采取的技术方案为：一种基于分类权重等距分布损失模型的行人重识别方法，具体包括以下步骤：

步骤1、将训练集中的行人图片进行预处理后，输入到卷积神经网络，获得图片的高维特征表达向量f，用于后续的分类学习；

步骤2、使用一个去除偏置项的全连接层对行人特征进行分类学习；在进行分类之前，对全连接层的分类权重向量W和训练用的行人特征向量f进行L2归一化处理，分别得到||W||和f||，同时，令||f||＝s，s为一常数。再将归一化后的特征输入全连接层进行分类学习，得到分类结果，计算分类损失其中f_i表示第i个样本的特征，y_i代表f_i的真实标签，W_j代表分类层中第j个列向量，n为批量训练的样本数量，C为训练类别总数；