[发明专利]一种基于多视角图像特征分解的行人再识别方法

权利要求书

1.一种基于多视角图像特征分解的行人再识别方法，其特征在于，包括以下步骤：

S1、在行人图像数据集中，选取标准图像，将选好的标准图像分成训练数据集和测试数据集，建立多视角图像特征分解神经网络的训练数据集和测试数据集；

S2、将数据集中行人图像经过缩放或裁剪成分辨率为192×64的RGB图像，作为训练集和测试集；

S3、将胶囊分类网络CapsuleNet设计为两层卷积层，两层胶囊层，得到改进后的胶囊网络；

S4、对S3中改进的胶囊分类网络在S2中标准视角行人图像训练集上进行训练，构造多视角图像特征分解神经网络，生成任意行人图像在三种标准视角下的相似度和图像特征向量；

S5、生成跨视角特征转换矩阵，计算跨视角特征转换系数矩阵；

S6、选择行人图像相似度度量函数，实现行人再识别。

2.根据权利要求1所述的一种基于多视角图像特征分解的行人再识别方法，其特征在于：所述S1中标准图像为拍摄角度为标准的正面图像、侧面图像和背面图像。

3.根据权利要求1所述的一种基于多视角图像特征分解的行人再识别方法，其特征在于：所述S3中改进后的胶囊网络为三分类网络。

4.根据权利要求1所述的一种基于多视角图像特征分解的行人再识别方法，其特征在于：所述S3中改进后的胶囊网络CapsuleNet的第一层设置为卷积层，参数：卷积核5×5、输出通道数32、输入维度为B×3×192×64，B为超参数批处理数量；第二层设置为卷积层，参数：卷积核5×5、输出通道数256；第三层为初级胶囊层，参数：卷积核5×5，输出通道数8；第四层为编码胶囊层，参数：输出通道数3，路由参数2，输出维度为B×3×64，B为超参数批处理数量。

5.根据权利要求1或4所述的一种基于多视角图像特征分解的行人再识别方法，其特征在于：所述卷积层可以被单层神经网络、ResNet、HourglassNet等其他卷积网络替代。

6.根据权利要求1所述的一种基于多视角图像特征分解的行人再识别方法，其特征在于，所述S4中相似度计算公式为：

式中，e为自然常数(e≈2.71828)，V表示特征向量模的长度，i表示第i个行人图像，V_ij表示第i个行人某种(j)视角下的特征向量模的长度，S_ij表示第i个行人在视角j下的相似度。

7.根据权利要求1所述的一种基于多视角图像特征分解的行人再识别方法，其特征在于，所述S5中生成跨视角特征转换矩阵具体包括以下步骤：

(1)建立数据集，数据集中包含同一行人不同视角的特征对{V_i,U_i}，特征V_i和U_i具有相同的维度D，其中V_i，U_i表示某视角下的行人特征编码；

(2)建立并训练特征转换网络，特征转换网络是两层的BP神经网络，网络输入层数据为V_i，输入层维度1×D，网络输出层数据为U_i’，输出层维度1×D，损失函数为：Loss(x)＝1-cos(U_i’,U_i)，其中U_i’表示网络转换特征，U_i表示目标特征；

(3)特征转换网络经过训练后，损失函数降低到0.07以下，从特征转换网络提取转换矩阵W，U_i’＝W*V_i，W是D×D的矩阵；

(4)重复步骤(2)和步骤(3)，将所有的不视角的图像特征转换矩阵都计算一次，得到所有跨视角特征转换矩阵。