[发明专利]一种基于多任务深度学习的行人再识别方法

权利要求书

1.一种基于多任务深度学习的行人再识别方法，其特征在于，包括以下步骤：

S1，构建多任务深度学习网络，包括骨干网络和三个子任务网络，所述子任务网络包括全局特征网络、人体部件分割网络和行人属性网络；

S2，分别构建三个子任务网络的损失函数，加权求和得到多任务深度学习网络的损失函数；

S3，准备每个子任务网络的训练数据集，并进行训练；

S4，将多任务深度学习网络中的子任务网络输出的特征向量拼接，作为多任务深度学习网络最终的输出特征；

所述行人属性网络包括依次连接的分割层、全局平均池化层、第一向量拼接层、全连接层、softmax层和第二向量拼接层；所述分割层，将输入水平分割成6块；所述全局平均池化层，将分割后的块分别进行平均池化；所述第一向量拼接层，将平均池化得到的向量拼接成1个向量；所述全连接层，数量与行人属性的数量相同，将拼接后的向量转化为行人属性结果向量；所述softmax层，将多个行人属性结果向量进行归一化；所述第二向量拼接层，将归一化后的多个行人属性结果向量拼接成一个向量作为属性输出向量。

2.根据权利要求1所述的基于多任务深度学习的行人再识别方法，其特征在于，所述全局特征网络包括依次连接的池化层、向量拼接层、BN层、全连接层和softmax层；所述池化层，对输入进行全局平均池化和全局最大池化；所述向量拼接层，对全局平均池化结果和全局最大池化进行拼接。

3.根据权利要求1所述的基于多任务深度学习的行人再识别方法，其特征在于，所述人体部件分割网络包括依次连接的3×3逆卷积层、BN层、relu层和1×1卷积层。

4.根据权利要求1所述的基于多任务深度学习的行人再识别方法，其特征在于，所述行人属性包括性别，年龄，头发长度，袖子长度，下身衣服长度，下身衣服类型，是否佩戴帽子，是否背包，是否拎包，是否手拿包，上身衣服颜色以及下身衣服颜色。

5.根据权利要求1所述的基于多任务深度学习的行人再识别方法，其特征在于，所述全局特征网络的损失函数为：

L(g)＝L(id)+L(tri)+βL(C)

其中，L(g)为全局特征网络的损失；L(id)为全局特征网络输出的ID结果向量与训练图片真实ID标签的交叉熵，L(tri)为全局特征网络输出的两种池化结果拼接成的向量的三元损失函数；L(C)为全局特征网络输出的两种池化结果拼接成的向量的中心损失函数；β为L(C)的权重系数。

6.根据权利要求1所述的基于多任务深度学习的行人再识别方法，其特征在于，所述人体部件分割网络的损失函数为：

其中，L(ps)为人体部件分割网络的损失；为第k个部件内平均的交叉熵损失，K为部件个数。

7.根据权利要求1所述的基于多任务深度学习的行人再识别方法，其特征在于，所述行人属性网络的损失函数为：

其中，L(attr)为行人属性网络的损失；f_attr[j]是第j个属性结果向量；Nj为该属性结果向量的维数，y为训练图片的真实属性标签，i代表图像的序号。

8.根据权利要求1所述的基于多任务深度学习的行人再识别方法，其特征在于，所述S3中，对所述训练数据集进行增强处理；

S31，将图像大小变换至规定大小；

S32，将图像进行随机水平翻转；

S33，将图像的边缘外扩10个像素；

S34，从外扩后的图像中随机裁剪出规定大小的图像；

S35，对图像进行归一化；

S36，对归一化后的图像，随机擦除图像中5％～10％面积的矩形块。

9.根据权利要求1所述的基于多任务深度学习的行人再识别方法，其特征在于，所述S4中，最终的输出特征由全局特征网络的BN层输出与行人属性网络的属性输出向量拼接而成。