[发明专利]一种深度哈希的行人再识别方法

摘要

本发明公开了一种深度哈希的行人再识别方法，它包括步骤:1、构建深度神经网络,该深度神经网包括特征学习模块和哈希学习模块，所述特征学习模块采用Resnet网络，所述哈希学习模块为一个全连接层和一个tanh函数层；2、深度神经网络的训练，1）、准备行人图片，2）、把训练图片送入深度神经网络进行训练，包括特征学习、哈希学习和损失函数学习；3）、网络优化及参数更新；步骤3、深度神经网络的测试，通过特征学习模块与哈希学习模块得到松弛的哈希码，然后通过符号函数转化为严格的‑1，1码，计算query与gallery中行人图片对应的哈希码间欧式距离进行特征匹配。本发明的优点是：提高了行人再识别准确率，又减少了行人再识别的时间。

主权项

1.一种深度哈希的行人再识别方法，其特征是，包括以下步骤：步骤1、构建深度神经网络深度神经网包括特征学习模块和哈希学习模块，所述特征学习模块采用Resnet网络，行人图片通过特征学习得到2048位的特征；所述哈希学习模块主要为一个全连接层和一个tanh函数层；步骤2、深度神经网络的训练1)、数据的准备：准备行人图片，输入行人图片和对应的id标签，作为训练图片和测试图片；2)、把训练图片送入深度神经网络进行训练本步骤包括特征学习、哈希学习和损失函数学习；所述特征学习为：将训练图片成批送入深度神经网络，特征学习的结果是输出2048维的全局特征；所述哈希学习为：采用一个全连接层作为哈希学习函数，将2048维的全局特征映射为128位，然后使用激活函数tanh将128位的实值特征映射为区间[‑1,1]内的模拟值；所述损失函数学习包括：三元哈希损失运算、量化损失运算和重构损失运算，三元哈希损失运算是让具有相同id的行人图片输出的哈希码的距离更近，让具有不同id的行人图片得到的哈希码的距离更远；量化损失运算是使学习到的哈希码更加接近严格的哈希码；重构损失运算是监督解码后得到的2048位特征与原始的全局特征相近，保持判别性。3)、网络优化及参数更新更新包括前向传播和反向传播两部分，前向传播通过网络计算输出与损失大小，然后再反向传播过程中反传损失的梯度，从而对网络进行更新步骤3、深度神经网络的测试将测试图片输入步骤1构建的深度神经网络，通过特征学习模块与哈希学习模块得到松弛的哈希码，然后通过符号函数转化为严格的‑1，1码，计算query与gallery集中行人图片对应的哈希码间欧式距离进行特征匹配。