[发明专利]一种二值化三元组孪生网络模型的行人重识别方法及系统

权利要求书

1.一种二值化三元组孪生网络模型的行人重识别系统，其特征在于，包含：

三路卷积神经网络，其分别输入正样本、负样本与检测样本图像，提取对应的图像特征；每个卷积神经网络包含：输入层，其提取样本图像对的特征；卷积层，与所述输入层连接，用于提取所述图像样本的图像特征；池化层，与所述卷积层连接，通过降维处理得到特定特征区域，并整合成具体维度值的特征向量，发送给全连接层；其中，每路的所述卷积神经网络的卷积层、池化层和全连接层相同且权值参数共享，且对权值参数进行二值化以及对每路卷积神经网络中卷积层与池化层之间的激活函数值进行二值化；

归一化分类层，其与所述三路卷积神经网络的各个全连接层连接，将所述卷积神经网络输出的特征进行分类和归一化；

误差损失验证函数模块，其与所述归一化分类层连接，接收所述归一化分类层输出的样本特征，进行样本对的相似性计算。

2.如权利要求1所述的二值化三元组孪生网络模型的行人重识别系统，其特征在于，

所述归一化分类层为Softmax层；

所述Softmax层的Softmax Loss函数的公式为：

其中，L是损失；y是指向量；Sj是softmax层的输出向量S的第j个值，表示的是当前样本属于第j个类别的概率。

3.如权利要求1所述的二值化三元组孪生网络模型的行人重识别系统，其特征在于，

所述误差函数模块为Triplet loss验证函数；

所述Triplet loss验证函数的方法为：

选择一图片作为检测样本，设置正样本与检测样本为同一个人的图像以及负样本为检测样本不同的人的图像，构建获得由检测样本、正样本和负样本组成的三元组；

通过所述三元组孪生网络模型的，使所述检测样本与正样本的距离更近以及使所述检测样本与所述负样本的距离更远；

当所述正样本示例距离与检测样本之间的距离近到设定距离时，则所述检测样本的图片与正样本图片为同一行人，当所述负样本距离与检测样本之间的距离远到设定距离时，则所述检测样本的图片与负样本的图片为不同行人。

4.如权利要求1所述的二值化三元组孪生网络模型的行人重识别系统，其特征在于，

所述二值化过程中，将权值和卷积层与池化层之间的激活函数值二值化为1或-1，采用基于符号函数Sign的确定性方法，如下式所示：

其中，对于激活函数值，直接使用式(2)的二值化函数得到二值化的值；

对于权值，通过在更新权值参数时将超出[-1,1]的部分进行裁剪，以保持在[-1,1]之间，再使用式(2)的二值化函数得到二值化的值。

5.如权利要求1所述的二值化三元组孪生网络模型的行人重识别系统，其特征在于，进一步包含以下过程：

当获得任一层的激活函数值后，在使用权重参数时，将权重二值化，再与前一层神经元节点二值化后的激活函数值相乘，以此类推进行权重参数的传播与更新，再进行批标准化使卷积神经网络训练过程中使得每一层神经网络的输入保持相同分布。

6.如权利要求4或5所述的二值化三元组孪生网络模型的行人重识别系统，其特征在于，

所述权值的二值化过程中的参数传播和更新步骤为：

S1、开始二值化；

S2、判断迭代是否完成，若是，则结束，若否，则继续执行步骤S3；

S3、对每层权值进行二值化并计算损失；

S4、计算损失对二值化权值的导数；

S5、对浮点权值进行更新，并跳转至所述步骤S2，直至迭代结束。

7.一种基于如权利要求1-6任意一项所述的二值化三元组孪生网络模型的行人重识别系统，其特征在于，

提取图像对的图像特征，所述图像对包含正样本、负样本与检测样本图像；

三元组孪生网络模型的三路卷积神经网络分别提取正样本、负样本与检测样本图像的特征进行训练，得到输出的特征值，并根据该特征值与设定值的差距，调整模型的权值矩阵，获得训练后的三元组孪生网络模型；其中，每路的所述卷积神经网络的卷积层、池化层和全连接层相同且权值参数共享，且对权值参数进行二值化以及对每路卷积神经网络中卷积层与池化层之间的激活函数值进行二值化；

对特征值进行分类归一化，获得图像的特征表；

将检测样本与正样本的距离更近以及使检测样本与负样本的距离更远；当正样本示例距离与检测样本之间的距离近到设定距离时，则检测样本的图片与正样本图片为同一行人，当负样本距离与检测样本之间的距离远到设定距离时，则检测样本的图片与负样本的图片为不同行人。