[发明专利]一种基于循环矩阵的行人重识别方法

说明书

本发明属于人工智能技术领域，提供了一种基于循环矩阵的行人重识别方法，循环矩阵的的思路运用到了行人重识别领域，通过加入循环矩阵解决了行人重识别中大多数图片人不对齐的问题。最后在选取训练样本中，选取了最不相近的正样本对，最相近的负样本对，这样最难的训练可以使本发明的网络更加鲁棒，并且具有泛化能力。我们的发明在数据集Market1501比baseline提高了2‑3个百分点，证明我们发明的有效性。

技术领域

本发明属于人工智能技术领域，涉及到计算机视觉，特别涉及到一种基于循环矩阵的行人重识别方法。

背景技术

近年来，行人重识别变得越来越火，主要是因为它的应用场景很广阔。公共场所安装监控摄像保证了个人财产生命的安全，在公共交通中，查找违法车辆，追踪车辆轨迹；在大型广场中，查找失踪儿童，帮扶孤寡老人等等，现在都离不开行人重识别技术。

然而行人重识别技术在很多方面都面临了挑战，例如行人之间的遮挡问题，由于摄像头安装角度，导致行人图片的不对齐问题，摄像头参数不一致，行人姿态发生变化等等问题，都是现在主要的研究挑战。

发明内容

本发明要解决的技术问题是：弥补上述现有方法的不足，提出一种基于循环矩阵的行人重识别方法，解决了行人图片中不对齐的问题。

本发明的技术方案：

一种基于循环矩阵的行人重识别方法，步骤如下：

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

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一个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，X＝F*diag(x^)*F^H，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，这里我们选取当时4个点和8个点的离散傅里叶矩阵；循环矩阵是一个方阵，其中第一行，或者第一列为原来特征向量的原始向量，第二行向量是第一行向量向右平移一个单位，这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，这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，我们这里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会变为(w*h)*(w*h)大小的二维特征图；