[发明专利]基于双一致性约束的行人再识别技术

权利要求书

1.基于双一致性约束的行人再识别技术，其特征在于包括以下步骤：

步骤1、将原始多个相机的数据按其相机标签进行抽样，形成训练批次；

步骤2、对于每一个训练批次，将测试集全部图像输入深度卷积网络模型，经过全局池化提取特征；

步骤3、利用提取特征，分别计算模型的身份判别损失，相机分布对齐损失以及知识一致正则化项，相加作为总损失；

步骤4、利用梯度下降法训练模型至参数收敛；

步骤5、固定模型参数，将检测图像与待检测集输入模型得到身份特征，计算欧氏距离并由大到小排序。

2.根据权利要求1所述的基于双一致性约束的行人再识别技术，其特征在于，所述步骤1的抽样方法包括以下步骤：

(1)对于数据集内所有数据，按照相机属性将其分到不同相机组；

(2)随机抽取两个不同相机；

(3)对于每个相机，随机抽取P个行人，抽取每个行人的K张图像，形成共2PK张图像的训练批次。

3.根据权利要求1所述的基于多相机信息传导的跨场景行人再识别技术，其特征在于，所述步骤2的深度卷积网络包括以下结构：

⑴将Resnet50最后一个池化层后的部分丢弃，将其余结构做为特征编码器；

(2)将特征编码器最后一个残差模块的步长设置为1，使生成的特征图的尺寸变为原来的两倍，获取细粒度的语义信息；

(3)特征编码器后连接一个全连接层分类器，分类器的输入通道为特征编码器的输出维度，分类器输出维度为数据集特征数。

4.根据权利要求1所述的基于多相机信息传导的跨场景行人再识别技术，其特征在于：所述步骤3的身份判别函数，相机分布对齐函数以及知识一致正则化项包括以下步骤：

⑴对于任务中的每一张图像，提取权利要求一步骤二所提取特征作为身份特征；

(2)将身份特征输入分类器得到预测标签，同时利用图像身份标签，计算交叉熵损失作为身份判别函数。

5.根据权利要求1所述的基于多相机信息传导的跨场景行人再识别技术，其特征在于：所述步骤3的相机分布对齐损失包括以下步骤：

⑴对于任务中的每一张图像，提取权利要求一步骤二所提取特征作为身份特征；

(2)按照图像的相机标签，将所提取的特征按相机分类，形成不同相机的特征集合；

(3)计算不同特征集合之间的最大均值差异(Maximum Mean Discrepancy)作为相机分布对齐损失。

6.根据权利要求1所述的基于多相机信息传导的跨场景行人再识别技术，其特征在于：所述步骤3知识一致正则化项包括以下步骤：

⑴对于任务中的每一张图像，提取权利要求一步骤二所提取特征作为身份特征；

(2)对于每一个相机，将属于该相机的身份特征输入分类器得到预测标签，同时利用图像身份标签，计算交叉熵损失作为该相机的身份判别函数；

(3)将不同相机的身份判别函数分别对模型参数求导，作为所学知识；

(4)使用点积运算计算不同相机所学知识的相似性，作为知识一致正则化项。