[发明专利]基于群对称理论的行人重识别方法

权利要求书

1.一种基于群对称理论的行人重识别方法，其特征在于，包括如下步骤：

步骤一：读入图像数据，进行图像数据前期处理；

步骤二：构建群残差网络ResGroupNet，该群残差网络用于约束输入特征的结构信息；其中，群残差网络结构包括：输入层，主干网络，批量归一化层，群分支网络Group Branch，损失函数Loss；所述群残差网络采用ResNet-50网络作为主干网络；在主干网络的中层引出所述群分支网络，将该主干网络的中层的输出作为所述群分支网络的输入；在所述主干网络的末尾增加第一损失函数Loss1，在所述群分支网络的末尾增加第二损失函数Loss2；将所述第一损失函数Loss1和所述第二损失函数Loss2进行加权求和运算，作为所述群残差网络的总损失函数Loss；

步骤三：将归一化好的图像数据放入构建的群残差网络，进行训练；

步骤四：训练完数据后，进行图像特征提取，将提取的特征进行相似度排序，相似度高的拍在最前面，相似度低的排在后面，得出排序结果；

步骤五：输出特征，根据输出特征检索出需要查找的人物。

2.根据权利要求1所述的基于群对称理论的行人重识别方法，其特征在于，所述的进行图像数据前期处理包括：将读入的图像数据的大小设置为288像素*144像素。

3.根据权利要求1所述的基于群对称理论的行人重识别方法，其特征在于，所述主干网络结构包括五层，分别为：第一层卷积层Conv_1，第二层卷积层Conv2_x，第三层卷积层Conv3_x，第四层卷积层Conv4_x，第五层卷积层Conv5_x；所述分支网络设计在第四层卷积层Conv4_x之后。

4.根据权利要求3所述的基于群对称理论的行人重识别方法，其特征在于，所述群分支网络是基于群对称理论实现的神经网络，利用群对称理论对网络中层的输出信息进行约束或者表示；所述群分支网络的结构包括：输入层，群卷积层GConv1，群卷积层GConv2，群旋转最大池化层GRMP，全连接层FC1，全连接层FC2。

5.根据权利要求4所述的基于群对称理论的行人重识别方法，其特征在于，所述第一损失函数Loss1采用采用球面损失，所述球面损失是基于归一化指数损失函数改进的，所述球面损失定义如下：

给定一个输入特征x_i，其对应的标签为y_i，则所述归一化指数损失函数可写成如下形式，

其中N是训练样本的个数，C为样本的类个数，z_j是完全连接层中第j个神经元的激活函数，全连接层的权重向量为W_j，偏差是b_j，令b_j＝0，则

其中θ_j是W_j和x之间的角度；用L₂归一化方法来正则化W_j和z_j，即令||W_j||＝1，||x||＝1，由此，我们就得到了sphere loss的表达形式，

其中s为尺度因子，取s＝14，由此得到所述主干网络的损失函数Loss1＝L_sphere。

6.根据权利要求5所述的基于群对称理论的行人重识别方法，其特征在于，所述第二损失函数Loss2采用采用三元损失；所述三元损失定义如下：

三元损失的输入为一个三元组其中是一个锚样本，是一个正样本，即与是同一类，是一个负样本，即与不是同一类；给定两张输入图片x₁和x₂，它们之间的相似度可以通过它们的空间距离来表征，并且这两张图像之间的距离可以定义为它们的编码之间的差的范数，即

其中，f()为编码函数；因此，三元损失定义如下：

其中函数(·)₊代表max(·，0)，α是一个默认值为1的超参数，由上式可知，三元损失的目标是缩小和之间的距离，增大和之间的距离，由此得到分支网络的损失函数Loss2＝L_triplet。

7.根据权利要求6所述的基于群对称理论的行人重识别方法，其特征在于，所述群残差网络的总损失函数Loss的定义如下：

Loss＝λ₁Loss1+λ₂Loss2 (14)

其中λ₁和λ₂为两个超参数，λ₁＝10，λ₂＝0.1。