[发明专利]一种基于深度多损失融合模型的行人重识别方法

说明书

本发明涉及一种基于深度多损失融合模型的行人重识别方法，该方法使用深度学习技术，对训练集图片进行翻转、裁剪、随机擦除以及风格迁移等预处理操作，然后经过基本网络模型进行特征提取，在使用多个损失函数进行融合联合训练网络，与基于深度学习的行人重识别算法相比较，本发明因采用多种预处理方式、三种损失函数的融合以及有效的训练策略，大大提高了在数据集上行人重识别的性能，一方面，多种预处理方式可以扩展数据集，提高模型泛化能力，避免过拟合情况的发生，另一方面，三种损失函数各有自己的优缺点，当对其进行有效结合时，使得所使用的模型能够获取更好的识别结果。

技术领域

本发明涉及计算机视觉领域，尤其是涉及一种基于深度多损失融合模型的行人重识别方法。

背景技术

分布式多摄像机监视系统的基本任务是在不同位置和不同时间将人与摄像机视图相关联，被称为行人重识别任务，更具体而言，行人重识别主要为了解决“目标行人之前在哪里出现过”或“目标行人在监控网络中被捕捉后去了哪里”的问题，它支持许多关键应用，例如长时间多相机跟踪和取证搜索等。实际上，每一个摄像头可以从不同的角度和距离，在不同的光照条件、遮挡度和不同的静态和动态的背景下进行拍摄。这就给行人重识别任务带来了一些巨大的挑战。同时，由于在未知距离的摄像机观察到的行人可能存在拥挤的背景、低的分辨率等条件限制，因此依赖于诸如面部识别的传统生物测量学的行人重识别技术既不可行也不可靠。

传统的行人重识别技术主要分为两个方面：特征表达和相似性度量。常用的特征主要包括颜色特征、纹理特征、形状特征以及更高层次的属性特征、行为语意特征等。而对于相似性度量，欧式距离最先被使用，随后一些有监督的相似性判别方法也陆续被提出。

而随着深度学习的发展，基于深度学习模型的方法已经占据了行人重识别的领域，用于行人重识别的深度模型现阶段主要可分为三种：Identification model(辨识模型)、Verification model(验证模型)以及Triplet model(三重态模型)。Identificationmodel与其他任务上的分类模型相同，给定一张图片然后输出它的标签，该模型可充分利用单个图像的标注信息。Verification model将两张图片作为输入，然后判断两个输入是否为相同行人。Verification model使用了弱标签(两行人之间的关系)并未使用单张图片的标注信息。相同地，Triplet model将三张图片作为输入，拉近类内距离，拉开类间距离，但同样未使用单张图片的标注信息。另外，有相关学者研究表明，Triplet loss训练网络仍存在相对较大的类内距离。在上述背景下，充分利用各模型损失的优点，开发出一种基于深度多损失融合模型的行人重识别技术就显得尤为重要。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度多损失融合模型的行人重识别方法。

本发明的目的可以通过以下技术方案来实现：

步骤一、获取行人原始图片数据集，将其进行训练集和测试集的划分。

步骤二、对训练集图片的基准数据集进行数据预处理，并进行数据扩充，本发明实施例采用如下几种数据处理方式：

1)在基准数据集中随机抽取若干图片进行水平翻转处理；

2)在基准数据集中随机抽取若干图片加高斯、椒盐噪声处理；

3)在基准数据集中随机抽取若干图片进行随机区域随机大小的擦除处理；

4)对于同一个数据集中不同camera拍摄的同一行人图片使用Cycle GAN进行风格迁移，减弱不同摄像视觉之间的环境差异。

优选地，采用循环生成对抗网络对数据进行扩充。

步骤三、选取基准网络模型，对基准网络模型进行训练，更新权重，优化网络，并对基准网络的超参数进行调整。