[发明专利]一种深度哈希的行人再识别方法

权利要求书

1.一种深度哈希的行人再识别方法，其特征是，包括以下步骤：

步骤1、构建深度神经网络

深度神经网包括特征学习模块和哈希学习模块，所述特征学习模块采用Resnet网络，行人图片通过特征学习得到2048位的特征；所述哈希学习模块为一个全连接层和一个tanh函数层；

步骤2、深度神经网络的训练

1)、数据的准备：准备行人图片，输入行人图片和对应的id标签，作为训练图片和测试图片；

2)、把训练图片送入深度神经网络进行训练

本步骤包括特征学习、哈希学习和损失函数学习；

所述特征学习为：将训练图片成批送入深度神经网络，特征学习的结果是输出2048维的全局特征；

所述哈希学习为：采用一个全连接层作为哈希学习函数，将2048维的全局特征映射为128位，然后使用激活函数tanh将128位的实值特征映射为区间[-1，1]内的模拟值；所述损失函数学习包括：三元哈希损失运算、量化损失运算和重构损失运算，三元哈希损失运算是让具有相同id的行人图片输出的哈希码的距离更近，让具有不同id的行人图片得到的哈希码的距离更远；量化损失运算是使学习到的哈希码更加接近严格的哈希码；重构损失运算是监督解码后得到的2048位特征与原始的全局特征相近，保持判别性；

所述三元哈希损失运算为：

Loss_th＝[H(h(f(x_i))，h(f(x_j)))-H(h(f(x_i))，h(f(x_k)))+α]₊

式中，一个批次图片的三元组(x_i，x_j，x_k)，x_i为参考样本，x_j为与x_i的id标签相同特征距离最大的难正样本，x_k为与x_i的id标签不同特征距离最小的难负样本，α为正负样本对间的间隔，f(x_i)，f(x_j)，f(x_k)为样本对应的特征，h(.)＝f₂(f₁())为哈希函数，[x]₊＝max(0，x)，当三元哈希损失小于0时，损失为0；H(.)是汉明距离；

汉明距离松弛为：

H(x，y)＝e^{-β·d(x，y)}

式中，H(x，y)为指数距离，β是超参数，用于控制d(x，y)与H(x，y)间的关系，d(x，y)是欧式距离；

3)、网络优化及参数更新

更新包括前向传播和反向传播两部分，前向传播通过网络计算输出与损失大小，然后再反向传播过程中反传损失的梯度，从而对网络进行更新；

步骤3、深度神经网络的测试

将测试图片输入步骤1构建的深度神经网络，通过特征学习模块与哈希学习模块得到松弛的哈希码，然后通过符号函数转化为严格的-1，1码，计算query与gallery集中行人图片对应的哈希码间欧式距离进行特征匹配。

2.根据权利要求1所述的深度哈希的行人再识别方法，其特征是：在步骤2的数据准备中，训练图片的像素大小都设置为(384，128)，一个批次的大小为128位，包含32个不同的id，每个id有4张图片。

3.根据权利要求2所述的深度哈希的行人再识别方法，其特征是：在步骤2中，所述量化损失运算为：

Loss_qt＝H(|h(f(x))|-1)

式中，h(f(x))为学习得到的哈希码，|.|为绝对值函数。

4.根据权利要求3所述的深度哈希的行人再识别方法，其特征是：在步骤2中，所述重构损失运算为：

Loss_cons＝d(f(x)，f₂(h(f(x))))

式中，d(.)为欧式距离，f(x)为2048位全局特征，f₂(h(f(x)))为解码后的2048位特征。