[发明专利]基于排序损失和Siamese网络的行人再识别方法

说明书

一种基于排序损失和Siamese网络的行人再识别方法，利用改进的Siamese网络学习特征，采用排序损失和两个SoftMax识别损失来来监督网络的学习。使用双向最大边界排序损失处理类内和类间相似度,这样学习到的特征具有更强的鲁棒性。利用行人图像的标签信息，采用Siamese网络提取的图像深度特征，区分检测到的行人。实验结果显示，与经典的行人再识别方法对比，所述基于排序损失和Siamese网络的行人再识别方法识别精度更高。

技术领域

本发明涉及一种行人再识别方法，尤其涉及一种基于排序损失和Siamese网络的行人再识别方法。属于计算机视觉技术领域。

背景技术

行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，识别出跨摄像头跨场景下的行人是否为同一个人。行人再识别的应用领域广泛，例如视频监控、城市监管、刑事安防等。近几年，行人再识别发展迅速，吸引了许多研究者。但是，行人再识别的研究仍然存在很大的挑战，主要困难在于行人图像是由远离目标的摄像设备采集的，不同摄像设备之间又存在差异，导致图像中行人的细节特征不明显。另一方面，由于服装或姿势的变化，行人图像的不同类别可能是相似的，但相同种类的行人图像并不是非常相似。如图1所示，Market-1501数据集的一些照片清楚地显示了上述困难的存在。

当前行人再识别研究大部分都是有监督学习方法，这些方法可以概括为3种：基于特征提取的方法，基于度量学习的方法和基于深度学习的方法。早期传统的行人再识别方法主要包括特征提取和度量学习，并且大都只关注其中的一个方面。

特征提取通过手工提取一个具有分辨力和鲁棒性的行人特征来解决行人再识别问题。常用的手工特征包括颜色特征，纹理特征，也有其他一些对多种特征组合的方法。但是手工特征大部分只能适用于某些情况下拍摄的图像，对于未考虑到的特殊情况无法很好的适用，需要较高的经验水平。并且随着行人再识别研究的进行，手工特征对识别率的提升变得越来越小。

鉴于手工特征研究中存在的问题和困难，度量学习的方法被应用于行人再识别问题。但是这种特征提取和度量学习相互独立的处理过程还是不能达到令人满意的效果，在拍照条件和环境差异较大时无法取得良好的效果，识别效果也不理想。

发明内容

针对有些不同行人图像之间比相同行人图像之间更相似所造成的行人再识别准确率较低的问题，本发明采用从排序角度基于深度学习的方法来解决行人再识别问题，对网络结构进行优化，提高识别精度。

一种基于排序损失和Siamese网络的行人再识别方法，利用改进的Siamese网络学习特征，采用排序损失和两个SoftMax识别损失来监督网络的学习。使用双向最大边界排序损失处理类内和类间相似度，这样学习到的特征具有更强的鲁棒性。利用行人图像的标签信息，采用siamese网络提取的图像深度特征，区分检测到的行人。实验结果显示，与经典的行人再识别方法对比，所述基于排序损失和Siamese网络的行人再识别方法识别精度更高。

本发明提出的一种基于Siamese网络结合识别损失和排序损失的行人再识别方法，包括以下步骤：

S1，视频采集设备实时采集视频数据；

S2，对所述视频数据进行行人检测，生成四元图像组；

S3，把四元图像组输入到改进的Siamese网络进行特征向量提取；所述改进的Siamese网络结合识别损失和排序损失监督网络在训练集上进行训练，并且通过正负样本对的相似度差值大于预定阈值，使得负例图像对之间的距离大于正例图像对；

S4，通过计算两个特征向量之间的距离来判断是否为同一行人，所述距离采用余弦相似度进行度量。