[发明专利]重识别网络的训练、重识别方法、装置和系统

权利要求书

1.一种重识别网络的训练方法，其特征在于，所述方法包括：

获取批处理训练数据，所述批处理训练数据包括N张图片，其中，N为正整数；

将每张图片分别通过卷积神经网络，得到所述每张图片分别对应的特征向量；

计算所述特征向量两两之间的距离，并根据所述距离得到距离矩阵；

根据所述距离矩阵得到正样本对距离和负样本对距离；

根据所述正样本对距离和所述负样本对距离得到所述卷积神经网络的损失，根据所述损失对所述卷积神经网络进行训练；

重新获取另一组批处理训练数据，并重复上述步骤对所述卷积神经网络进行训练，直至所述卷积神经网络的损失收敛；

所述根据所述正样本对距离和所述负样本对距离得到所述卷积神经网络的损失，包括：

根据所述正样本对距离和所述负样本对距离得到边界样本损失；

根据所述边界样本损失和分类损失的加权平均值，得到所述卷积神经网络的损失；

所述根据所述正样本对距离和所述负样本对距离得到边界样本损失，包括：

根据下式计算所述边界样本损失：

L_e＝{max(M_p)-min(M_N)+α}₊

其中，L_e为所述边界样本损失，max(M_p)为所述正样本对距离，min(M_N)为所述负样本对距离，α为人工设定的边界阈值。

2.根据权利要求1所述的重识别网络的训练方法，其特征在于，所述每张图片分别对应相应的训练标签，所述训练标签包括所述识别对象的标识符ID，所述根据所述距离矩阵得到正样本对距离和负样本对距离，包括：

从所述距离矩阵中选取所述标识符ID相同的距离和所述标识符ID不同的距离；

将所述标识符ID相同的距离进行重组，得到正样本距离矩阵；

将所述标识符ID不同的距离进行重组，得到负样本距离矩阵；

从所述正样本距离矩阵中选取最大的距离，作为所述正样本对距离；

从所述负样本距离矩阵中选取最小的距离，作为所述负样本对距离。

3.根据权利要求1所述的重识别网络的训练方法，其特征在于，所述根据所述边界样本损失和分类损失的加权平均值，得到所述卷积神经网络的损失，包括：

根据下式计算所述卷积神经网络的损失：

Loss＝λL_ID+(1-λ)L_e

其中，Loss为所述卷积神经网络的损失，L_ID为所述N张图片的分类损失的加权平均值，L_e为所述边界样本损失，λ为权重参数，λ∈(0,1)。

4.根据权利要求1所述的重识别网络的训练方法，其特征在于，所述计算所述特征向量两两之间的距离，并根据所述距离得到距离矩阵，包括：

对所述每张图片分别对应的特征向量进行正则化处理，得到所述每张图片分别对应的正则化的特征向量；

根据所述每张图片分别对应的正则化的特征向量分别计算所述每张图片与其他N-1张图片的距离，从而得到所述距离矩阵。

5.根据权利要求4所述的重识别网络的训练方法，其特征在于，所述根据所述每张图片分别对应的正则化的特征向量分别计算所述每张图片与其他N-1张图片的距离，从而得到所述距离矩阵，包括：

根据下式计算所述每张图片与所述其他N-1张图片的距离：

其中，d(图片1,图片2)为第一图片和第二图片的距离，f_n1为所述第一图片正则化的特征向量，f_n2为所述第二图片正则化的特征向量。

6.根据权利要求1所述的重识别网络的训练方法，其特征在于，所述批处理训练数据中的N张图片包括P个不同的行人，每个行人包括K张不同的图片，其中，所述每个行人对应的不同图片是连续放置的。