[发明专利]一种自适应难例挖掘的行人重识别方法与系统

权利要求书

1.一种自适应难例挖掘的行人重识别模型的训练方法，其特征在于，包括：

(1)采集样本图片，将样本图片随机分成每次迭代使用的训练集合，将每个训练集合中的所有样本图像两两分组，得到多个样本对，若样本对中两张样本图像来自同一目标行人则该样本对的真实标签为正样本对，否则该样本对的真实标签为负样本对；

(2)将第一次迭代的训练集合输入卷积神经网络，利用softmax函数得到每个样本对属于正、负样本对的概率，进而利用多项逻辑斯蒂函数得到每个样本对的损失；

(3)对于每个训练集合中所有样本对的损失从大到小排列得到集合S，并计算每个训练集合的总损失L，利用每个训练集合的总损失L与一个自适应的难例阈值相乘得到每个训练集合的难例样本对的损失和的阈值β，当集合S中前m个样本对的损失和超过阈值β时，集合S中前m个样本对构成难例样本对集合H；

(4)利用难例样本对集合H向前传播训练卷积神经网络，利用难例样本对集合H中难例样本对的损失在卷积神经网络中反向传播来更新卷积神经网络的参数；

(5)将第A次迭代的训练集合输入卷积神经网络，A≥2，然后重复步骤(2)-(4)，直到当前迭代次数达到迭代次数上限，卷积神经网络训练完成，得到行人重识别模型。

2.如权利要求1所述的一种自适应难例挖掘的行人重识别模型的训练方法，其特征在于，所述步骤(2)中每个样本对的损失为：

其中，为样本对p_i的损失，Z＝{z₀，z₁}表示每个样本对属于正、负样本对的概率，z_y为样本对的真实标签，z_y为0或者1。

3.如权利要求1或2所述的一种自适应难例挖掘的行人重识别模型的训练方法，其特征在于，所述一个自适应的难例阈值为：

其中，α为一个自适应的难例阈值，I_c为当前的迭代次数，I_m为总的迭代次数，γ为第一线性化参数，ε为第二线性化参数，所述γ和ε的取值随着迭代次数的增加而增加。

4.如权利要求3所述的一种自适应难例挖掘的行人重识别模型的训练方法，其特征在于，所述γ的取值范围为0.7-0.9，所述ε的取值范围为0.1-0.3。

5.一种自适应难例挖掘的行人重识别方法，其特征在于，包括：

利用权利要求1-4任一所述的训练方法训练得到的行人重识别模型提取待识别图片集的中每个图片的特征，计算特征之间的欧氏距离得到待识别图片集中样本对的距离，利用待识别图片集中样本对的距离得到待识别图片集中样本对的相似度排序。

6.一种自适应难例挖掘的行人重识别系统，其特征在于，包括：

采集与标记模块，用于采集样本图片，将样本图片随机分成每次迭代使用的训练集合，将每个训练集合中的所有样本图像两两分组，得到多个样本对，若样本对中两张样本图像来自同一目标行人则该样本对的真实标签为正样本对，否则该样本对的真实标签为负样本对；

计算损失模块，用于将第一次迭代的训练集合输入卷积神经网络，利用softmax函数得到每个样本对属于正、负样本对的概率，进而利用多项逻辑斯蒂函数得到每个样本对的损失；

获取难例样本对模块，用于对于每个训练集合中所有样本对的损失从大到小排列得到集合S，并计算每个训练集合的总损失L，利用每个训练集合的总损失L与一个自适应的难例阈值相乘得到每个训练集合的难例样本对的损失和的阈值β，当集合S中前m个样本对的损失和超过阈值β时，集合S中前m个样本对构成难例样本对集合H；

训练模块，用于利用难例样本对集合H向前传播训练卷积神经网络，利用难例样本对集合H中难例样本对的损失在卷积神经网络中反向传播来更新卷积神经网络的参数；

目标模块，用于将第A次迭代的训练集合输入卷积神经网络，A≥2，然后重复执行计算损失模块、获取难例样本对模块和训练模块，直到当前迭代次数达到迭代次数上限，卷积神经网络训练完成，得到行人重识别模型；

识别模块，用于行人重识别模型提取待识别图片集的中每个图片的特征，计算特征之间的欧氏距离得到待识别图片集中样本对的距离，利用待识别图片集中样本对的距离得到待识别图片集中样本对的相似度排序。