[发明专利]一种基于全局距离尺度损失函数的行人再识别方法

权利要求书

1.一种基于全局距离尺度损失函数的行人再识别方法，其特征在于，具体步骤包括：

对行人再识别数据集的训练数据进行数据增强处理；

对每一个批量数据进行随机挑选；

构建基于人体组件的深度神经网络并对网络进行初始化；

使用交叉熵损失函数和基于全局距离尺度的损失函数同时监督深度神经网络的训练；

其中，基于全局距离尺度的代价函数表达式为：

式中，T表示一个批量中同类对的总个数为T＝0.5*P*K*(K-1)，d_ap表示某一个同类对之间的距离，即两同类特征向量归一化之后的欧氏距离，μ表示一个批量中所有异类对之间距离的均值，σ表示一个批量中所有异类对之间距离的标准差，alpha和margin表示超参数；

最终损失函数表达式为：

式中，CrossEntropyLoss表示交叉熵损失函数；

对目标行人图像及行人图像库中的行人图像分别进行特征提取，进行余弦相似度计算并排序得到识别结果。

2.根据权利要求1所述的一种基于全局距离尺度损失函数的行人再识别方法，其特征在于，所述对行人再识别数据集的训练数据进行数据增强处理的步骤中，数据增强处理方法为：

针对每一张行人图像，从图像中心区域随机选取一个点作为中心，截取到与原始图像同样大小的行人图像；重复上述步骤五次，即完成数据增强。

3.根据权利要求1所述的一种基于全局距离尺度损失函数的行人再识别方法，其特征在于，所述对每一个批量数据进行随机挑选的步骤中，挑选方法为：每一个批量中随机挑选P个人，每个人随机挑选K张图片，批量大小为N＝P*K。

4.根据权利要求1所述的一种基于全局距离尺度损失函数的行人再识别方法，其特征在于，所述构建基于人体组件的深度神经网络并对网络进行初始化的步骤中，深度神经网络构建方法为：

在ResNet-50网络尾部的池化层将特征图水平划分为M个部分，各个部分分别连接包含U个神经元的全连接层、批量归一化层和包含Y个神经元的分类全连接层，共计M个子分类任务。

5.根据权利要求1所述的一种基于全局距离尺度损失函数的行人再识别方法，其特征在于，所述使用交叉熵损失函数和基于全局距离尺度的损失函数同时监督深度神经网络的训练步骤中，

交叉熵损失函数表达式为：

其中，N为批量大小，i表示输入行人图像的编号，p_i表示这张行人图片的真实标签，表示模型的分类概率结果。