[发明专利]一种遮挡行人重识别方法

权利要求书

1.一种遮挡行人重识别方法，其特征在于，包括如下步骤：

步骤1，构建多任务学习网络，所述多任务学习网络包括全身行人身份重识别分支和遮挡行人身份重识别分支；所述全身行人身份重识别分支和遮挡行人身份重识别分支的网络结构相同，均包括依次连接的CNN特征表达部分、GeM池化层、BN层、FC层和Softmax层；

步骤2，构建所述全身行人身份重识别分支和遮挡行人身份重识别分支各自对应的损失函数L_h和L_o；

步骤3，采用互学习策略对所述多任务学习网络进行训练，两个分支的CNN特征表达部分共享权重，即先利用损失函数L_h对所述全身行人身份重识别分支进行训练，将训练得到的CNN特征表达部分的权重与遮挡行人身份重识别分支的CNN特征表达部分共享，再利用损失函数L_o对所述遮挡行人身份重识别分支进行训练，将训练得到的CNN特征表达部分的权重与全身行人身份重识别分支的CNN特征表达部分共享，两个分支的训练交替进行；

步骤4，根据训练好的多任务学习网络进行遮挡行人重识别，得到识别结果。

2.根据权利要求1所述的遮挡行人重识别方法，其特征在于，步骤1所述全身行人身份重识别分支和遮挡行人身份重识别分支的网络结构均采用ResNet50结构，其中，CNN特征表达部分包括依次连接的第一卷积模块至第五卷积模块；第一卷积模块为卷积核为7×7、通道数为64、步长为2的卷积层；第二卷积模块包括依次连接的最大池化层、第一至第三卷积单元，最大池化层的池化窗口为3×3、步长为2，第一至第三卷积单元结构相同，均包括依次连接的三个卷积层，三个卷积层的卷积核大小依次为1×1、3×3、1×1，通道数依次为64、64、256；第三卷积模块包括依次连接的第四至第七卷积单元，第四至第七卷积单元结构相同，均包括依次连接的三个卷积层，三个卷积层的卷积核大小依次为1×1、3×3、1×1，通道数依次为128、128、512；第四卷积模块包括依次连接的第八至第十三卷积单元，第八至第十三卷积单元结构相同，均包括依次连接的三个卷积层，三个卷积层的卷积核大小依次为1×1、3×3、1×1，通道数依次为256、256、1024；第五卷积模块包括依次连接的第十四至第十六卷积单元，第十四至第十六卷积单元结构相同，均包括依次连接的三个卷积层，三个卷积层的卷积核大小依次为1×1、3×3、1×1，通道数依次为512、512、2048。

3.根据权利要求1所述的遮挡行人重识别方法，其特征在于，所述步骤2中，将全身行人图像训练集表示为其中，表示第i张全身图像，N表示全身行人训练图像的数量，yⁱ为的真实标签，即第i张全身图像中行人的真实身份；对于每一张采用随机擦除方法生成相应的遮挡图像通过随机擦除方法生成的遮挡图像训练集用表示；

全身行人身份重识别分支对应的损失函数L_h为：

其中，表示全身行人身份重识别分支特征级的互损失，表示全身行人身份重识别分支输出级的互损失，表示全身行人身份重识别分支的难样本损失，表示全身行人身份重识别分支的交叉熵损失；

表达式为：

其中，和表示第i张全身图像和遮挡图像在最后一层卷积层后输出的特征图，‖·‖₁表示L1范数；

表达式为：

其中，M表示行人身份类型总数，表示第i张遮挡图像属于第j个行人身份的预测分数，表示第i张全身图像属于第j个行人身份的预测分数；

表达式为：

每一次迭代时，对于难样本损失，采用PK采样法构建训练批次，从行人的所有身份中随机选取P个身份，每个身份随机选取对应的K张全身图像，构成P×K张图像进行全身行人重识别分支的训练；G(·)表示GeM池化后的特征向量，[B]₊＝max{B,0}，‖·‖₂表示欧几里得距离，μ＝0.3，表示每个批次中的第m个样本，表示与对应的同一身份的正样本，表示与对应的不同身份的负样本；

表达式为：

其中，表示第i张全身图像在第j类上的预测结果，表示第i张全身图像在第j类上的真实结果，的计算方式为：

其中，τ为确定平滑量的超参数。