[发明专利]一种基于异构部件深度神经网络的行人再识别方法

摘要

本发明实施例公开了一种基于异构部件深度神经网络的行人再识别方法，该方法包括：构建基于异构部件的深度神经网络；为行人图像提取卷积激活图形成张量；利用水平平均池化对张量进行平均分割得到K个部分，并对每个部分的元素在水平方向求平均得到K个基于部分的特征向量；获得某一批次硬三元组损失和K个交叉熵损失；利用两个损失的和更新深度神经网络的网络参数；提取待查询图像的K个基于部分的特征向量，将其串联成一个特征向量作为特征表示向量；根据特征表示向量之间的距离得到所述待查询图像的匹配结果。本发明利用对准距离学习行人图像部分的对齐，并利用不同的损失学习更具有判别性的基于部分的特征，从而提高行人再识别匹配的正确率。

主权项

1.一种基于异构部件深度神经网络的行人再识别方法，其特征在于，该方法包括以下步骤：步骤S1，构建基于异构部件的深度神经网络；步骤S2，利用所述基于异构部件的深度神经网络，为每一幅行人图像提取卷积激活图并形成一个张量；步骤S3，利用水平平均池化对每个张量进行平均分割得到K个部分，并且对每个部分的元素在水平方向求平均得到K个基于部分的特征向量，即可将每幅行人图像表示为K个基于部分的特征向量；步骤S4，对于某一批次行人图像中的两幅图像，利用对准距离对其K个基于部分的特征向量进行对齐,并结合批次硬三元组损失和对准距离学习所述基于部分的特征向量的对齐，进而得到该批次硬三元组损失；步骤S5，对于某一批次行人图像中的每一幅，为行人图像的每一部分应用交叉熵损失学习基于部分特征向量的判别性，得到该批次K个交叉熵损失；步骤S6，利用所述步骤S4得到的硬三元组损失和所述步骤S5得到的K个交叉熵损失的和更新所述深度神经网络的网络参数，得到训练完成的深度神经网络；步骤S7，利用训练得到的深度神经网络提取待查询图像的K个基于部分的特征向量，并将其串联成一个特征向量作为所述待查询图像最终的特征表示向量；步骤S8，通过计算待查询图像和图像库中图像的特征表示向量之间的距离得到所述待查询图像的匹配结果。