[发明专利]一种基于群组信息损失函数的行人重识别方法

摘要

本发明公开了一种基于群组信息损失函数的行人重识别方法。该方法通过使用超图对训练样本的群组信息进行建模、学习和表达，提供了一种包含群组信息的损失函数。不同于以往行人重识别中重排序方法，该方法将群组信息引入神经网络的训练过程中。同时，该方法针对不同的基础网络结构，都能提升所训练特征的表达能力和鲁棒性。

主权项

1.一种基于群组信息损失函数的行人重识别方法，其特征在于，该方法为：步骤1：获取训练用数据集D₀，所述数据集D₀中包含K个行人标签，i＝1…K，每个行人标签包含了N个行人图片，因此，该数据集D₀中了包含了N×K个行人图片。步骤2：从数据集D₀随机选取若干个图片，构建多个批次的样本，每个批次的样本中，至少包含了4个行人标签，每个行人标签对应的行人图片数量相同，且至少为4张；每个批次中的图像，均采用卷积神经网络提取其特征向量；步骤3：针对包含P个标签、每个标签包含Q个行人图片的批次，构建基于群组相似性的超图模型H(v,e,w)。其中，其中v是由该批次中P*Q个样本图像的特征向量构成的特征向量矩阵，e是由P个超边构成的超边矩阵，其中第j个超边为基于该批次中第j类标签的行人图像所构成的超边，w为该批次的权重；步骤4：基于步骤2中所建立的基于群组相似性的超图模型H(v,e,w)，引入正则化项，构建该批次概率超图目标函数E(f,v,w)。f为该批次中P*Q样本图像的分类相似度向量构成的分类相似度矩阵，所述的分类相似度向量为1*P向量，其中的元素表示图像属于对应类标签的相似度。步骤5，利用步骤4中所建立的目标函数，求取使得该批次概率超图目标函数E取得最小值的最优解f₀；将最优解f₀代入目标函数E(f,v,w)，得损失函数：Loss_group＝E(f₀,v,w)＝E₁(v,w)。步骤6，采用卷积神经网络对所有批次中的损失函数进行误差反向传播，输出最后一个批次的最优权重w，作为特征提取的权重；步骤7.将包含待识别对象的图片输入到步骤6中所述的卷积神经网络中，基于步骤6得到的权重w，获得该识别对象的特征向量；步骤8.根据步骤7获得的特征向量，计算其与数据集D₀中各个行人图片的特征向量的相似度，按照相似度高低输出识别结果。