[发明专利]一种基于深度度量的行人再辨识方法

摘要

本发明涉及一种基于深度度量的行人再辨识方法，包括以下步骤：1)将ImageNet数据集作为训练数据集，训练一个ResNet‑50网络，使其具有初始值；2)移除ResNet‑50网络的softmax层以及最后一个全连接层；3)使用多个非线性全连接层构成深度度量网络，并在输出后增加欧氏距离计算单元；4)在调整后的ResNet‑50网络后连接深度度量网络，组成本发明最终的网络模型；5)对行人再辨识训练数据集中的图像进行随机剪裁，得到一组尺寸为224×224的训练数据集，从中随机选择P位不同的行人，并为每个行人随机选择K张图像，组成小的训练批；6)使用5)中所得的训练数据通过最小化Hard Triplet Loss损失函数对4)中的网络进行优化，循环执行此步骤，直至损失值收敛；7)将待辨识行人图像和候选库中的图像输入到已优化的模型中，获取行人图像在同一个特征空间上的特征向量；8)计算特征向量间的欧氏距离，并对距离进行排序，最终获取待辨识行人图像和对比图像的匹配率。

主权项

1.一种基于深度度量的行人再辨识方法，其特征在于，包括以下步骤：/n一、构建网络/n1)预训练ResNet-50网络，/n将ImageNet数据集作为训练数据集，训练一个ResNet-50网络，使其具有初始值；/n2)调整步骤1)ResNet-50网络，移除ResNet-50网络中的softmax层以及最后一个全连接层；提供步骤4)；/n3)采用多个非线性全连接层构成深度度量网络，并在输出后增加欧氏距离计算单元，该部分网络参数采用随机初始化方法；提供步骤4)；/n4)构建行人再辨识网络模型，/n在步骤2)调整后的ResNet-50网络后连接步骤3)所述的深度度量网络，组成本发明最终的网络模型；/n二、训练/n5)预处理行人再辨识训练数据集，将训练数据集中的图像进行随机剪裁，得到一组尺寸为224×224的训练数据集，从中随机选择P位不同的行人，并为每个行人随机选择K张图像，组成小的训练批；/n6)训练网络模型，/n通过最小化Hard Triplet Loss损失函数对步骤4)中最终构建的网络模型进行优化，使用步骤5)中所得的训练数据输入该优化的网络模型，循环执行此步骤，直至损失值收敛；/n三、识别/n7)进行行人再辨识，将待辨识行人图像和候选库中的图像分别输入到步骤6)已优化的网络模型中，获取行人图像在同一个特征空间上的特征向量；/n8)计算待辨识图像与候选库中所有图像的相似度，即计算待辨识图像与候选库图像间特征向量的欧氏距离，其中特征向量由步骤7)获取。然后按照相似度从小到大的规则，对候选库中的图像进行排序，排位越靠前图像与待辨识图像越相似。其中相似指的是两张行人图像为同一行人的图像。/n