[发明专利]一种基于循环矩阵的行人重识别方法

权利要求书

1.一种基于循环矩阵的行人重识别方法，其特征在于，步骤如下：

(1)首先，划分行人重识别数据集Market1501，一半数据为训练集，一半数据为测试集；

在训练集中取anchor为待预测图片，再选取与之具有相同身份的人的图片为正样本图片，与之身份不同的人的图片为负样本，这样三张图片组成一个三元组，作为特征网络的输入；

(2)三元组图片的每一张图片都是一张彩色图，有三个通道信息，大小是3*256*128；图片通过大小为7*7卷积核进行特征提取，之后是一个最大池化层来降低图片分辨率；随后经过四个卷积块结构，每一个卷积块结构中都是由三个卷积层构成，卷积核大小分别为1*1，3*3和1*1；在每一个卷积核之后都跟随着BN层和Relu层，其中BN层是BatchNorm层，ReLu层是激活函数层；经过上述网络特征的提取之后，生成了特征大小变成w*h*C的三维特征图，其中w表示特征图的宽度，h表示特征图的高度，C表示特征图的通道数；

(3)上述生成的三维特征图经过循环矩阵大小变为(w*h)*(w*h)*C；循环矩阵的公式为，其中F表示离散傅里叶矩阵，F^H表示离散傅里叶矩阵的共轭转置矩阵，x表示输入到循环矩阵的三维特征，diag表示是矩阵取对角矩阵的操作，选取当时4个点和8个点的离散傅里叶矩阵；循环矩阵是方阵，其中第一行或第一列为原来特征向量的原始向量，第二行向量为第一行向量向右平移一个单位，是一个一维特征向量的循环矩阵；二维特征向量是一维特征向量循环矩阵的延伸，其中用到了块循环矩阵；块循环矩阵把矩阵分块，每一块放在一起进行上下左右平移构成二维循环矩阵；经过循环矩阵后，在通道层次上进行降维归一化，选取通道上的平均池化技术，对于(w*h)*(w*h)上的每一个点跨通道加和再除以通道数，最后对于每一个三元组图片都变为(w*h)*(w*h)大小的二维特征图；

(4)三元组图片经过循环矩阵后，选取最不相近正样本对和最相近负样本对进行最后的损失函数计算；首先，anchor最后生成的(w*h)*(w*h)大小的特征图，正样本和负样本分辨率与之相同；三元组图片特征图的每一行或每一列都是原来图片位置的平移结果；其次，把anchor与正样本组成正样本对，anchor与负样本组成负样本对；在正样本对中，取两个特征图进行矩阵相乘，生成的矩阵大小也是(w*h)*(w*h)，其上每一个点(i,j)表示anchor的第i行与正样本对第j列相乘的结果，表示两种平移之后相似度的一种度量；在正样本对中选取结果最小正样本对进行训练，训练出鲁棒的特征；同理在负样本对中，anchor和负样本两个特征矩阵相乘，生成的矩阵中的每一个点也代表平移之后的一种相似性度量，在负样本中选取相似度最大的负样本参与训练，训练出鲁棒的特征；

(5)选择的损失函数是难样本采样的三元组损失函数；难样本采样三元组损失函数是输入一次性输入三个特征，包络正样本对和负样本对；通过三元组损失函数，使正样本对之间距离变小，使负样本对之间变大；而从达到聚类的效果，类内间距变小，类间距离变大；在具体选择样本的时候，选择最难训练的正样本对和负样本对；也就是最不像的正样本以及最像的负样本对，进行训练；损失函数如下：其中L为损失函数，()₊操作为与数0比取最大值；a是anchor图片，p是正样本图片，n表示负样本图片，d表示上述矩阵相乘后的相似性度量，max表是最大值，min表示取最小值，α表示正负样本对距离间隔的阙值；通过深度学习网络框架回传梯度，更新网络参数，使损失函数的值不断下降，最终趋于稳定，即训练完成。