[发明专利]一种融合多个源域的跨域行人重识别方法及系统

权利要求书

1.一种行人重识别方法，其特征在于，包括：

获取待识别的行人样本对；所述待识别的行人样本对包括两个待识别的行人样本；

将所述待识别的行人样本对输入训练好的跨域行人重识别模型中，得到行人重识别结果；所述跨域行人重识别模型包括多个表示学习网络和一个度量学习网络，所述表示学习网络采用ResNet-50网络结构，所述度量学习网络采用三层全连接网络结构；

所述跨域行人重识别模型的训练方法，具体包括：

获取多组源域数据集；每组所述源域数据集包括多个待训练的行人样本，每个所述待训练的行人样本对应有行人标签；所述源域数据集的个数与所述表示学习网络的个数相同；

采用一组源域数据集训练一个表示学习网络和度量学习网络的方法对所述跨域行人重识别模型进行训练，得到训练好的跨域行人重识别模型；

所述采用一组源域数据集训练一个表示学习网络和度量学习网络的方法对所述跨域行人重识别模型进行训练，得到训练好的跨域行人重识别模型，具体包括：

选取一组源域数据集和一个表示学习网络；所述源域数据集包括正样本对和负样本对，所述正样本对包括行人相同的两个行人样本，所述负样本对包括行人不同的两个行人样本，且所述负样本对中的一个行人样本与所述正样本对中的一个行人样本相同；

将选取的源域数据集输入选取的表示学习网络中，得到多个第一行人特征；

将多个所述第一行人特征输入所述度量学习网络中，得到多个第二行人特征；

根据所述第二行人特征计算所述正样本对对应的行人特征距离和负样本对对应的行人特征距离；

根据所述正样本对对应的行人特征距离和所述负样本对对应的行人特征距离计算损失值，并以损失值最小为优化目标，采用梯度下降法优化所述跨域行人重识别模型中的参数；

判断所有源域数据集是否全部选取完，若是，则得到训练好的跨域行人重识别模型，若否，则在未被选取的源域数据集中选取一个源域数据集，并在未被选取的表示学习网络中选取一个表示学习网络，然后返回步骤“将选取的源域数据集输入选取的表示学习网络中，得到多个第一行人特征”。

2.根据权利要求1所述的行人重识别方法，其特征在于，所述将所述待识别的行人样本对输入训练好的跨域行人重识别模型中，得到行人重识别结果，具体包括：

将所述待识别的行人样本对输入训练好的跨域行人重识别模型中，得到多个待识别的行人特征组；每个行人特征组包括两个行人特征；

计算每个待识别的行人特征组的两个行人特征之间的距离，得到多个待识别的行人特征距离；

判断所述待识别的行人特征距离小于预设距离的个数是否超过待识别的行人特征距离总数的一半；若是，则确定所述待识别的行人样本对中的行人样本相同；若否，则确定所述待识别的行人样本对中的行人样本不同。

3.根据权利要求1所述的行人重识别方法，其特征在于，

所述行人特征距离的计算公式如下：

式中，为与的行人特征距离，为第t个源域数据集中第i个行人样本，为第t个源域数据集中第j个行人样本，为对应的第二行人特征，为对应的第二行人特征，C为度量学习网络；

所述损失值的计算公式如下：

L_triple＝[d_p-d_n+α]₊

式中，L_triple为损失值，d_p为负样本对对应的行人特征距离，d_n为正样本对对应的行人特征距离，α为d_p和d_n的预设间隔，[d_p-d_n+α]₊表示当d_n＜d_p+α时，损失值保持不变，当d_n≥d_p+α时，损失值为0。