[发明专利]一种基于级联匹配的快速再辨识方法与快速再辨识系统

权利要求书

1.一种基于级联匹配的快速再辨识方法，其特征在于，包括训练阶段、测试阶段；具体如下：

1)训练阶段：构造多级级联的深度学习网络，首先对各级深度学习网络进行独立训练，而后用前一级深度学习网络自举困难样本集驱动其后一级深度学习网络进行训练微调，完成各级深度学习网络的自举微调；

2)测试阶段：使用训练阶段获得的多级级联的深度学习网络，逐级对查询图像和注册图像集的图像进行特征提取，获得图像特征；将提取的图像特征两两匹配并计算欧式距离，获得根据欧氏距离升序排序的匹配链表；选取匹配链表中与查询图像的相似度符合预设的相似度条件的注册图像进行保留，完成注册图像集的更新；将查询图像和更新后的注册图像集输入下一级深度学习网络，继续进行特征匹配，直到历经所有级联的深度学习网络，得到匹配链表，即为基于级联匹配的快速再辨识结果。

2.根据权利要求1所述的基于级联匹配的快速再辨识方法，其特征在于，多级级联的深度学习网络中，下一级深度学习网络的复杂度高于前一级深度学习网络。

3.根据权利要求2所述的基于级联匹配的快速再辨识方法，其特征在于，训练阶段的步骤如下：

1.1)初始化构造多级级联的深度学习网络{net_k|k＝1,2,…,K}；

1.2)利用训练集图像S分别对各级深度学习网络net_k进行独立训练；

1.3)前K-1级的深度学习网络逐一进行困难样本自举：对于深度学习网络net₁至net_K-1，逐一利用每一级的深度学习网络计算训练集中每一张图像的训练损失，并进行降序排序，选择损失符合预设的损失条件的样本，构成对应的困难样本集H_k；

1.4)后K-1级的深度学习网络逐一进行微调训练：对于深度学习网络net₂至net_K，利用困难样本集H_k对每一级的深度学习网络进行微调训练。

4.根据权利要求3所述的基于级联匹配的快速再辨识方法，其特征在于，预设的损失条件为排在前θ％的训练损失。

5.根据权利要求1至4任一项所述的基于级联匹配的快速再辨识方法，其特征在于，测试阶段的步骤如下：

2.1)初始化：设置查询图像q、注册图像集G、匹配链表list，匹配链表list用于记录查询图像q与注册图像集G中每个图像的欧式距离和相应的图像序号，匹配链表list的初始值为空；

2.2)级联匹配：对于各级深度学习网络net_k，逐次利用各级深度学习网络net_k对查询图像q与注册图像集G进行特征提取，获得查询图像的图像特征f_k^q和注册图像集特征F_k^G；将查询图像的图像特征f_k^q和注册图像集特征F_k^G中的每个样本计算欧式距离，再根据欧式距离进行升序排序更新匹配链表list；在匹配链表list中查询与查询图像q的相似度符合预设的相似度条件的注册图像，并保留在注册图像集G中，完成注册图像集G的更新；将查询图像q和更新后的注册图像集G输入下一级的深度学习网络，继续进行特征匹配，直到历经所有级联的深度学习网络，得到最终的匹配链表list，即为再辨识结果。

6.根据权利要求5所述的基于级联匹配的快速再辨识方法，其特征在于，预设的相似度条件为排在前γ％的欧式距离。

7.一种基于级联匹配的快速再辨识系统，其特征在于，包括训练模块、测试模块；训练模块根据权利要求1至6任一项所述的基于级联匹配的快速再辨识方法，进行各级深度学习网络的自举微调；测试模块根据权利要求1至6任一项所述的基于级联匹配的快速再辨识方法，获得快速再辨识结果。