[发明专利]一种基于局部图卷积网络的行人再识别方法

权利要求书

1.一种基于局部图卷积网络的行人再识别方法，其特征在于，所述方法包括以下步骤：

步骤S1，利用预训练深度学习模型构建特征提取模块，将训练行人图像输入所述特征提取模块，提取得到所述训练行人图像的M个局部特征；

步骤S2，构建图卷积模块，将所述训练行人图像的M个局部特征作为图的节点，构建重叠图、重叠图的邻接矩阵、相似图和相似图的邻接矩阵，并设置结构图卷积操作，利用所述图卷积模块对所述重叠图、重叠图的邻接矩阵、相似图和相似图的邻接矩阵执行所述结构图卷积操作，得到所述训练行人图像的M个局部图卷积特征；

步骤S3，构建损失计算模块，将所述训练行人图像的M个局部图卷积特征输入到所述损失计算模块中，利用得到的损失值对于由所述特征提取模块、图卷积模块和损失计算模块组成的行人再识别模型进行优化，得到最优行人再识别模型；

步骤S4，获取查询图像，利用所述最优行人再识别模型计算得到所述查询图像I_q和训练行人图像I_g的M个局部图卷积特征，利用所述查询图像I_q和训练行人图像I_g的M个局部图卷积特征计算得到所述查询图像I_q和训练行人图像I_g之间的相似度，得到行人再识别结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括以下步骤：

步骤S11，确定预训练深度学习模型，并对其进行参数初始化，对于所述预训练深度学习模型进行模型预处理，得到所述特征提取模块；

步骤S12，对训练集中的训练行人图像进行预处理；

步骤S13，将预处理后得到的训练行人图像输入所述特征提取模块中，提取得到所述训练行人图像的预设数量的特征图；

步骤S14，将得到的特征图划分成M个区域，并对这M个区域执行最大池化得到所述训练行人图像中的第n张图像的M个局部特征。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括以下步骤：

步骤S21，将得到的训练行人图像的M个局部特征作为节点构建重叠图，并利用所述节点邻域的重叠节点数量构建重叠图的邻接矩阵；

步骤S22，将得到的训练行人图像的M个局部特征作为节点构建相似图，并利用所述节点之间的相似性构建相似图的邻接矩阵；

步骤S23，将图上节点分成两类：节点本身和节点的邻域节点，并使用不同的参数矩阵来变换这两类节点，从而定义结构图卷积操作；

步骤S24，利用所述图卷积模块对所述重叠图、重叠图的邻接矩阵、相似图和相似图的邻接矩阵执行所述结构图卷积操作，得到所述训练行人图像的M个局部图卷积特征。

4.根据权利要求3所述的方法，其特征在于，所述重叠图的邻接矩阵表示为：

其中，N是一个小批量训练行人图像集合中训练行人图像的数量，为第i张训练行人图像的第m个局部特征P_i,m和第j张训练行人图像的第m个局部特征P_j,m的k个最近邻域的重叠节点的数量：

其中，δ(P_i,m,k)和δ(P_j,m,k)分别表示局部特征P_i,m和P_j,m的k个最近邻域的节点集合，∩表示两个集合的交集，|·|表示集合元素的数量。

5.根据权利要求3所述的方法，其特征在于，所述相似图的邻接矩阵表示为：

其中，表示第i张训练行人图像的第m个局部特征P_i,m和第j张训练行人图像的第m个局部特征P_j,m之间的相似性：

其中，φ和是两个变换函数。