[发明专利]一种基于整体和局部深度特征融合的行人再识别方法

权利要求书

1.一种基于整体和局部深度特征融合的行人再识别方法，其特征在于，所述方法包括以下步骤：

步骤S1，对预训练网络进行初始化，构建提取局部特征的局部特征目标网络；

步骤S2，把训练集的行人图像分别划分为n个水平子区域，对应位置的子区域为子区域对，把子区域对输入到所述局部特征目标网络中，得到局部特征学习模型；

步骤S3，把测试集的行人图像同样地划分为n个水平子区域，把每个子区域输入至所述局部特征学习模型中，得到子区域的特征向量p_i，i＝1,2,…n，其中，p_i表示第i个子区域的特征向量；

步骤S4，对预训练网络进行初始化，构建提取整体特征的整体特征目标网络；

步骤S5，基于构建的整体特征目标网络，把训练集的行人图像整幅输入至所述整体特征目标网络中，得到整体特征学习模型；

步骤S6，基于所述整体特征学习模型，把测试集的行人图像整幅输入至所述整体特征学习模型中，得到行人图像的整体特征向量B；

步骤S7，合并每幅行人图像的所有子区域特征向量形成行人图像的局部特征向量P，局部特征向量与整体特征向量B结合组成该行人图像的最终特征表示；

步骤S8，基于行人图像最终的特征表示，计算该行人图像与训练集中任意一幅图像间的相似度，相似度最高的被认为是相同的行人，得到行人识别结果；

所述步骤S1包括以下步骤：

步骤S11，获取m个已预先训练好的深度学习网络模型，并对其分别进行初始化，其中m为自然数，m＝2，3，…；

步骤S12，将初始化后的m个深度学习网络模型进行并行组合，并在m个网络模型的末端进行合并；

步骤S13，根据组合网络卷积层中神经元的激活值得到待建局部特征目标网络的预测概率，并根据所述预测概率设置损失函数，形成完整的局部特征目标网络结构；

所述步骤S12包括以下步骤：

步骤S121，将初始化后的m个深度学习网络模型进行并行组合，m个深度学习网络模型上下并行同时进行传播，共享权重，在末端生成特征向量f₁、f₂…f_m；

步骤S122，将m个深度学习网络模型在末端进行合并形成平方层，在该层中计算得到特征向量f₁、f₂…f_m之间的相似性f_s；

步骤S123，在平方层后增加卷积层。

2.根据权利要求1所述的方法，其特征在于，所述步骤S13包括以下步骤：

步骤S131，根据所述卷积层中神经元的激活值得到局部特征目标网络的预测概率y_i：

其中，a_i表示卷积层中第i个神经元的激活值；

步骤S132，根据所述预测概率将所述局部特征目标网络中的损失函数设置为L_V，形成完整的局部特征目标网络结构，其中，损失函数L_V表示为：

其中，p_i表示子区域对正负概率值。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括以下步骤：

步骤S21，把训练集中的每一幅行人图像划分为n个水平子区域，定义相同行人的对应子区域为正子区域对，不同行人的对应子区域为负子区域对；

步骤S22，随机抽取子区域对，将子区域对进行预处理，然后分别输入到所述局部特征目标网络中的子网络中，得到局部特征学习模型。

4.根据权利要求1所述的方法，其特征在于，所述步骤S3包括以下步骤：

步骤S31，把测试集中的每一幅行人图像同样地划分为n个水平子区域；

步骤S32，按照训练的方式将子区域进行预处理，然后分别输入至所述局部特征学习模型中，得到n个子区域各自的特征向量p_i。