[发明专利]基于AdaRank的深度特征和传统特征的集成方法

权利要求书

1.一种基于AdaRank的深度特征和传统特征的集成方法，其特征在于包括以下步骤：

步骤1、将图像数据进行分割，针对不同部分分别构造并训练深度卷及神经网络，用以获得深度特征；

步骤2、从行人再识别数据中提取传统特征，包括LOMO特征、ELF6特征、Hog3D特征；

步骤3、选取如下三种度量学习方法：KISSME、kLFDA和LMNN；

步骤4、将所有特征与三种度量学习方法进行组合张成笛卡尔乘积，得到一系列弱排序器；

步骤5、利用AdaRank算法，对弱排序器进行集成学习，最终得到强排序器。

2.根据权利要求1所述的基于AdaRank的深度特征和传统特征的集成方法，其特征在于：所述步骤1的具体实现方法为：

根据图像特点对数据进行分割，分割依据是行人的不同身体部位；根据头部、躯干、腿部的原则，每张图片被分割为大小不等的三部分作为三种不同的训练数据，同时整体图像作为一类数据；针对这四种不同数据，分别构造四个结构略有差异的深度卷积神经网络，该训练神经网络时采用了余弦距离作为样本相似度的度量以及三重损失作为损失函数，该余弦距离定义如下：

S=B1(x)TB2(y)B1(x)TB1(x)B2(y)TB2(y)]]>

其中B₁和B₂是神经网络全连接层的输出；

设有一对图像序列集，P＝(p₁，p₂，...，p_m)是参考集，其中的p_i是参考集的第i个样本；G＝(g₁，g₂，...，g_n)是备选集，其中的g_j是备选集的第j个样本，S_ij表示p_i和g_j之间的余弦距离，对于p_i来说，正向损失指同类样本之间距离过大造成的损失，定义如下：

Ji-pos=1KpΣIpi=Igjln(e-2Sij+1)]]>

负向损失指不同类样本之间距离过小造成的损失，定义如下：

Ji-neg=1KnΣIpi≠Igjln(e2Sij+1)]]>

上面两个式子中，I_k表示样本k的身份，K_p和K_n分别表示同类样本对和不同类样本对的数量；损失函数的最终形式如下：

J_i＝J_i-pos+λJ_i-neg

其中，λ是一个用来平衡两种损失的参数。