[发明专利]一种基于层级优化度量学习的行人再识别方法

权利要求书

1.一种基于层级优化度量学习的行人再识别方法，其特征在于，所述方法包括以下步骤：

S1.选择训练样本集，初始化嵌入空间的维度Dim_e、反向传播算法的学习率η和迭代次数N_iter，所述训练样本集为{x₁，x₂，…，x_i，…，x_n}，样本x_i表示一个视角下的行人图片，每个人对应一个标签，即同一个人在不同视角下的样本的标签一样，因此，标签数等于行人的个数；

S2.使用训练样本集预训深度神经网络，根据训练好的深度神经网络参数初始化去掉损失层的深度神经网络权重参数W，利用随机数初始化映射矩阵L；

S3.选取部分训练样本，在当前的W和L下，把该批样本映射到维度为Dim_e的嵌入空间；

S4.在嵌入空间中构建三元样本约束，得到三元样本约束集；

S5.遍历全部三元样本约束集，利用最大边际最近邻法更新映射矩阵L；

S6.固定更新后的映射矩阵L，利用反向传播算法更新权重参数W；

S7.判断迭代次数是否小于N_iter，若是，迭代次数加1，转步骤S3，否则，转步骤S8；

S8.将待测样本输入当前W、L下的去掉损失层的深度神经网络，得到再识别结果；

步骤S4包括以下步骤：

S41.在嵌入空间中，计算样本x′_i与其他相同标签样本的距离，选择距离最远的样本作为x′_j；

S42.在嵌入空间中，计算样本x′_i与其他不同标签样本的距离，选择距离最远的样本作为x′_k；

S43.返回三元样本约束(x′_i，x′_j，x′_k)；

度量学习的损失函数如下：

其中，Φ(W，L)表示在权重参数W和映射矩阵L下的深度神经网络的损失函数，x′_i，x′_j，x′_k表示样本x_i，x_j，x_k在嵌入空间中的特征向量，样本x_i，x_j属于同一个行人，样本x_i，x_k不属于同一个行人，S表示三元样本约束集合，D_M(，)表示两者之间马氏距离，ρ表示间隔参数，R(W)表示权重参数W对应的正则项；

神经网络第h层权重的正则项计算公式如下：

其中，R(W_h)表示第h层的正则项，W_h表示深度神经网络的第h层权重，N_h表示第h层的权重分量个数，表示W_h的第i分量，，表示向量的内积运算，λ、γ为超参数。

2.如权利要求1所述的方法，其特征在于，步骤S2中，利用[-1，1]范围内的随机数，初始化映射矩阵其中，Dim_Net表示网络输出向量维度。

3.如权利要求1所述的方法，其特征在于，所述把该批样本映射到维度为Dim_e的嵌入空间为：

x′_i＝L×f(W，x_i)

其中，f(W，x_i)表示样本x_i在权重参数为W的神经网络模型的映射结果，x′_i表示样本在嵌入空间中的特征向量。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于层级优化度量学习的行人再识别方法。