[发明专利]一种基于深度学习的行人重识别方法在审
| 申请号： | 201810549705.7 | 申请日： | 2018-05-31 |
| 公开（公告）号： | CN109101865A | 公开（公告）日： | 2018-12-28 |
| 发明（设计）人： | 熊炜;熊子婕;童磊;冯川;王娟;曾春艳;刘敏;王传胜;管来福;金靖熠;贾锈闳 | 申请（专利权）人： | 湖北工业大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/46;G06K9/62 |
| 代理公司： | 武汉帅丞知识产权代理有限公司 42220 | 代理人： | 朱必武 |
| 地址： | 430068 湖*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开一种基于深度学习的行人重识别方法，包括：步骤1：预训练CNN模型：包括行人特征提取和特征度量，行人特征提取采用将全局特征以及局部特征相融合的方法，特征度量采用欧式距离作为相似性度量，在特征向量的距离约束条件下，建立基于度量矩阵的损失函数，采用的损失函数是在传统的Triplet Loss基础上增加约束函数，对CNN模型进行优化；步骤2：测试数据集：将测试数据集图像输入步骤1训练好的CNN模型中，获取图像特征并用欧氏距离计算目标行人图像和参考行人图像之间的相似度，最后将参考行人图像按照相似度大小排列，获得行人重识别结果。本方法适用于复杂场景下行人的重识别，对于场景变化的可移植性强，算法稳定、速度快，实用性强。 | ||
| 搜索关键词： | 测试数据集 损失函数 特征度量 特征提取 相似度 图像 矩阵 距离约束条件 图像输入步骤 相似性度量 场景变化 大小排列 复杂场景 获取图像 计算目标 局部特征 可移植性 欧式距离 欧氏距离 全局特征 算法稳定 特征向量 约束函数 参考 传统的 度量 并用 融合 学习 优化 | ||
【主权项】：
1.一种基于深度学习的行人重识别方法，其特征在于，所述方法包括如下步骤：步骤1：预训练CNN模型：预训练CNN方法，包括行人特征提取和特征度量，行人特征提取采用将全局特征以及局部特征相融合的方法，特征度量采用欧式距离作为相似性度量，在特征向量的距离约束条件下，建立基于度量矩阵的损失函数，采用的损失函数是在传统的Triplet Loss基础上增加约束函数，对CNN模型进行优化；步骤2：测试数据集：将测试数据集图像输入步骤1训练好的CNN模型中，获取图像特征并用欧氏距离计算目标行人图像和参考行人图像之间的相似度，最后将参考行人图像按照相似度大小排列，获得行人重识别结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于湖北工业大学，未经湖北工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810549705.7/，转载请声明来源钻瓜专利网。
