[发明专利]一种基于群组信息损失函数的行人重识别方法

权利要求书

1.一种基于群组信息损失函数的行人重识别方法，其特征在于，该方法为：

步骤1：获取训练用数据集D₀，所述数据集D₀中包含K个行人标签，i＝1…K，每个行人标签包含了N个行人图片，因此，该数据集D₀中包含了N×K个行人图片；

步骤2：从数据集D₀随机选取若干个图片，构建多个批次的样本，每个批次的样本中，至少包含了4个行人标签，每个行人标签对应的行人图片数量相同，且至少为4张；每个批次中的图像，均采用卷积神经网络提取其特征向量；

步骤3：针对包含P个标签、每个标签包含Q个行人图片的批次，构建基于群组相似性的超图模型H(v，e，w)；其中， v是由该批次中P×Q个样本图像的特征向量构成的特征向量矩阵，e是由P个超边构成的超边矩阵，其中第j个超边为基于该批次中第j类标签的行人图像所构成的超边，w为该批次的权重；所述超边通过如下方法构建：每个图片类会被看作一次超边中心类，将该批次中具有相同标签的所有图片生成一条超边，超边中图片与超边之间的距离通过与超边所有图片的平均中心点的变权欧式距离来进行度量；

步骤4：基于步骤3中所建立的基于群组相似性的超图模型H(v，e，w)，引入正则化项，构建该批次概率超图目标函数E(f，v，w)；f为该批次中P*Q样本图像的分类相似度向量构成的分类相似度矩阵，所述的分类相似度向量为1*P向量，其中的元素表示图像属于对应类标签的相似度；

E(f，v，w)＝ω(f，v，w)+r(f)

r(f)为正则化损失项；

能量函数为：

其中d(u)＝∑_e∈εH(u，e，w)表示顶点度，δ(e)＝∑_v∈VH(v，e，w)表示超边度；

步骤5：利用步骤4中所建立的目标函数，求取使得该批次概率超图目标函数E取得最小值的最优解f₀；将最优解f₀代入目标函数E(f，v，w)，得损失函数：

Loss_group＝E(f₀，v，w)＝E₁(v，w)

步骤6：采用卷积神经网络对所有批次中的损失函数进行误差反向传播，输出最后一个批次的最优权重w，作为特征提取的权重；

步骤7：将包含待识别对象的图片输入到步骤6中所述的卷积神经网络中，基于步骤6得到的权重w，获得该识别对象的特征向量；

步骤8：根据步骤7获得的特征向量，计算其与数据集D₀中各个行人图片的特征向量的相似度，按照相似度高低输出识别结果。

2.根据权利要求1中所述的方法，其特征在于，步骤3中的所描述的构建超图模型具体方法为：

(3.1)利用样本特征欧式距离建立相似性关联A(v,e,w)特征矩阵之间在投影空间中的关联性；

(3.2)利用(3.1)中所建立的相似性关联，结合顶点和超边从属关系，构建概率超图模型H(v,e,w)。

3.根据权利要求1所述的方法，其特征在于，所述步骤8中的相似度为欧氏距离、余弦距离或马氏距离。

4.根据权利要求1所述的方法，其特征在于，采用的神经网络包括深度残差网络。

5.根据权利要求1所述的方法，其特征在于，所述步骤4中的正则化项为L1正则化项或L2正则化项。