[发明专利]一种基于统一划分的特征自适应行人再识别方法

权利要求书

1.一种基于统一划分的自适应行人再识别方法，其特征在于：包括以下步骤，

构建DenseNet骨干网络作为特征提取的网络结构并进行优化和训练；

提取网络全连接层之前的目标特征；

对提取的所述目标特征进行统一划分；

利用马氏距离均值判断划分后的相邻特征是否需要特征融合；

对DenseNet提取的特征做切片划分之后，切片后的特征做池化并将池化后的相邻特征拼接，拼接之后再做一次池化；

添加fc层对融合后的张量展开做全连接，所述fc层经过Softmax分类获取目标ID来预测行人的身份。

2.如权利要求1所述的基于统一划分的自适应行人再识别方法，其特征在于：所述网络结构的优化包括，

将最后一层的pooling步长改为1*1，增加特征信息量；

通过1*1卷积将得到的1664通道数特征改为2048通道数。

3.如权利要求1或2所述的基于统一划分的自适应行人再识别方法，其特征在于：利用所述Softmax函数对网络输出结果做优化分类训练，包括，

假设网络原始网络的输出为y₁，y₂，…，y_n；

经过Softmax回归处理后的输出为：

通过交叉熵损失，计算预测概率分布与真实概率分布之间的距离。

4.如权利要求3所述的基于统一划分的自适应行人再识别方法，其特征在于：所述马氏距离计算过程为：

其中S表示协方差矩阵，则由上述公式可以计算出相邻部位中对应点的马氏距离；

再利用对应点的距离均值求出相邻特征距离大小，计算过程为：

其中N表示常数8，M表示常数2，表示向量的组合数，即28。

5.如权利要求4所述的基于统一划分的自适应行人再识别方法，其特征在于：所述DenseNet骨干网络通过对TriHardloss及IDloss(分类损失)的联合训练，在部位特征识别的基础上，利用度量学习方法进一步挖掘数据集中的难样本。

6.如权利要求5所述的基于统一划分的自适应行人再识别方法，其特征在于：所述难样本的挖掘包括以下步骤，

对于每一个训练batch挑选P个ID的行人；

每个行人随机挑选K张不同的图片，即一个batch含有P×K张图片；

对于batch中的每一张图片a，挑选一个最难的正样本和一个最难的负样本和a组成一个三元组；

定义和a为相同ID的图片集为A，剩下不同ID的图片集为B；

则难三元TriHard损失表示为：

其中表示正样本与原样本之间的距离，表示负样本与原样本之间的距离，α是需要调整的参数，公式表示正样本与原样本+α的距离要大于负样本与原样本的距离。