[发明专利]基于深度学习联合优化的行人重识别方法

权利要求书

1.一种基于深度学习联合优化的行人重识别方法，其特征在于：方法步骤如下：

步骤1、采集筛选数量均衡的正负行人样本对，构建数据集；

步骤2、构建深度学习的Siamese神经网络结构模型，包括两路前端卷积神经网络和多层级特征融合模块，将数据集中的正负行人样本输入模型，提取得到两路不同的行人的Hyper特征；

步骤3、将步骤2得到的两路Hyper特征分别送入两个分类网络，将两路Hyper特征差值送入验证网络，联合分类网络和验证网络，联合分类损失函数和验证损失函数，优化步骤2构建的神经网络结构模型参数，得到优化后的行人重识别的深度学习的Siamese神经网络结构模型。

2.根据权利要求1所述的基于深度学习联合优化的行人重识别方法，其特征在于：所述步骤2包括：

步骤2.1、构建深度学习的Siamese神经网络结构模型，包括两路由5个卷积模块构成的前端卷积神经网络和多层级特征融合模块，将数据集中的正负行人样本分别输入模型的两路，得到具有层级的行人特征图，不同层级的特征图具有不同的隐含特征；

步骤2.2、分别提取两路卷积模块1、卷积模块3、卷积模块5的特征图，采用局部响应归一化多个特征图，将之处理融合统一到一个空间内形成行人的Hyper特征，得到两路不同的行人的Hyper特征。

3.根据权利要求1或2所述的基于深度学习联合优化的行人重识别方法，其特征在于：所述前端卷积神经网络基本结构来自于VGG-16网络，所述中多层级特征融合模块包括3路层级特征的提取、融合模块，3路层级特征的提取模块包括：添加最大池化模块执行下采样的卷积模块1、添加反卷积模块执行上采样的卷积模块5和卷积模块3；3路层级特征的融合模块包括：添加在卷积模块1、卷积模块3、卷积模块5后的反卷积模块，每一路通过反卷积模块后做特征融合，形成行人的Hyper特征。

4.据权利要求1所述的基于深度学习联合优化的行人重识别方法，其特征在于：所述步骤3包括：

步骤3.1、将步骤2得到的两路Hyper特征分别送入神经网络中的两个分类网络，将两路Hyper特征差值送入神经网络中的验证网络；

步骤3.2、分类网络和验证网络的反向传播过程中使用随机梯度下降法联合一个验证损失函数和两个分类损失函数优化网络结构参数，得到优化验证后行人重识别的深度学习的Siamese神经网络结构模型。

5.根据权利要求1或4所述的基于深度学习联合优化的行人重识别方法，其特征在于：所述分类损失函数采用基于多分类建模的随机选择采样Softmax损失函数，验证损失函数采用基于验证损失的二分类Softmax损失函数。