[发明专利]一种用于重识别的超球面特征嵌入方法及系统

说明书

本发明实施例提供了一种用于重识别的超球面特征嵌入方法，包括以下步骤：图像预处理阶段：从数据集中读取目标样本图像，对图像进行预处理；特征提取阶段：将预处理后的图像输入到深度网络模型提取图像的特征映射并结合注意力机制的全局池化操作得到特征向量；损失计算及训练优化阶段：根据所述特征向量和目标ID标签分别计算三种损失函数损失的值，根据损失的值计算深度卷积神经网络参数的梯度对模型进行优化；测试评估阶段：对训练完成的深度网络模型进行测试并根据测试结果调整超参数。本发明还提供了一种用于重识别的超球面特征嵌入系统，包括：图像预处理模块、特征提取模块、超球面特征嵌入模块和测试模块。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种用于重识别的超球面特征嵌入方法及系统。

背景技术

目标重识别问题目的是从由多个摄像头捕捉到的特定目标图像中检索出全部属于某一个体的全部图像，当前的目标重识别问题的研究集中在车辆和行人重识别上。当前的重识别模型大体上可以分为两个组成部分：特征提取器和分类算法。由于机器学习尤其是深度学习方法在计算机视觉问题上取得巨大的成功，近年来越来越多的重识别方法使用基于深度学习的特征提取模型。多数的重识别系统使用常用的深度卷积神经网络直接从目标的视觉外观提取特征向量。常用的特征提取器有ResNet，DenseNet等或者通过将注意力机制，局部特征提取等技术引入到这些标准的卷积网络中而衍生出来的其他变种。对特征进行分类的算法主要分为两类，基于分类损失函数的算法和基于度量损失函数的算法，基于分类损失函数的算法目的是学习一个不同的类别之间的决策超平面以此区分不同的个体，基于度量损失函数的算法通过模型学习出两张图片的相似度，具体表现为同一个体的不同图像的相似度大于不同个体的图像。最后度量学习的损失函数使得相同个体的图像(正样本对)的距离尽可能小，不同个体图像(负样本对)的距离尽可能大。实验表明，将基于分类损失函数和基于度量损失函数以一定的比例结合起来会取得更好的识别结果，因此近年来多数的重识别模型均采用将两种损失函数结合起来作为模型的损失函数。

但是现有的重识别方法通过特征映射获取特征向量时，采用的是全局平均池化或者全局最大池化，这忽略了不同的空间区域和不同的通道的重要性的不同，并且特征的模没有限制特征分布在整个空间，导致度量学习相似度和分类任务中的预测值的取值没有限制，这增加了训练的难度，同时也带来了归一化后的差值饱和问题。

发明内容

本发明的实施例提供了一种用于重识别的超球面特征嵌入方法及系统，以克服现有技术的缺陷。

为了实现上述目的，本发明采取了如下技术方案。

一种用于重识别的超球面特征嵌入方法，包括以下步骤：

S1、图像预处理阶段：从数据集中读取目标样本图像，对图像进行预处理；

S2、特征提取阶段：将预处理后的图像输入到深度网络模型提取图像的特征映射并结合基于注意力机制的全局池化操作得到特征向量，其中，所述深度网络模型为深度卷积神经网络，所述深度卷积神经网络为移除原始分类层的通用卷积神经网络；

S3、损失计算及训练优化阶段：根据所述特征向量和目标ID标签分别计算三种损失函数，通过三种损失函数计算联合损失函数值，利用联合损失函数值计算深度卷积神经网络参数的梯度对模型进行优化，所述三种函数包括：超球面交叉熵损失函数、基于KL散度的三元组损失函数和超球面中心损失函数；

S4、测试评估阶段：对训练完成的所述深度网络模型进行测试并根据测试结果调整超参数。

优选地，所述S1包括：

S11：从数据集中读取图像，调整图像大小；

S12：将图像根据预设的裁剪比例和概率以及擦除比例和概率进行随机翻转，随机裁剪和随机擦除，并对擦除的部分添加上高斯白噪声，之后将图像中每一个通道的全部像素值减去该通道预设的平均值并除以预设的方差进行均值方差归一化，得到预处理后的图像。