[发明专利]一种渐进式多损失函数约束下的行人重识别动态训练方法和系统

权利要求书

1.一种渐进式多损失函数约束下的行人重识别动态训练方法，其方法包括

标准化对齐，通过关键点检测技术确定行人裁剪框位置，并通过padding方式进行行人部件对齐；

多尺度特征提取，设计网络结构对不同尺寸细节特征进行提取；

渐进式多损失联合约束动态训练；通过渐进式多损失联合约束方法对提取的特征向量进行动态训练。

2.根据权利要求1所述的一种渐进式多损失函数约束下的行人重识别动态训练方法，其特征在于，渐进式多损失联合约束动态训练方法包括FixTriplet和HAAM联合损失函数。

3.根据权利要求1所述的一种渐进式多损失函数约束下的行人重识别动态训练方法，其特征在于，渐进式多损失联合约束动态训练，

第一步，计算每个身份A中最大类内距离，身份B所对应的存在最小类间距离身份C，并在A、B和C内随机采样，构建有效三元组输入，即FixTriplet损失函数L_FTP；

公式中，其中A1和A2分别表示同一个行人的两张不同图像，B和C表示身份不同的两个行人图像，满足条件ABC至少包含两个行人；[·]₊表示函数max(·,0)，m表示控制距离的超参，ε和η表示修正值，s1和s2分别代表临界异常值；

第二步，通过损失函数HAAM损失函数L_HAAM的将特征映射到一个超球面上，

公式中，其中，s表示HAAM损失超球面半径，N表示每次迭代中输入图片数量，y_i表示每次迭代中输入标签对应的索引值，和cosθ_j(j≠y_i)分别表示类内相似度和类间相似度，m_i表示距离控制超参，k表示训练集中总共的分类数量，a和b为控制参数；

第三步，通过损失函数L_HAAM和L_FTP获得最终损失值l_all。

4.根据权利要求1所述的一种渐进式多损失函数约束下的行人重识别动态训练方法，其特征在于，关键点检测技术确定特征向量包括人头部、肩关节、髋关节。

5.根据权利要求1所述的一种渐进式多损失函数约束下的行人重识别动态训练方法，其特征在于，标准化对齐，

行人位置确定，用关键点检测技术锁定行人位置；

裁剪框坐标信息的转换，将行人位置的关键点坐标转换成裁剪框坐标信息，

图像数据的获取，通过在裁剪框坐标信息内获取图像数据；

图像数据纵横比判断，对于获取的图像数据，并判断图像纵横比是否为标准值，不为标准值则通过padding的方式对齐。

6.根据权利要求1所述的一种渐进式多损失函数约束下的行人重识别动态训练方法，其特征在于，纵横比包括身体头肩部比、肩膀到髋关节部位比、下肢的尺寸比。

7.根据权利要求1所述的一种渐进式多损失函数约束下的行人重识别动态训练方法，其特征在于，多尺度特征提取

通过1*1卷积降维得到特征向量，将得到的特征向量输入类金字塔结构，经过三个不同深度卷积组得到的特征通过有空间注意力机制，获得不同部位的特征向量；

在经过四次多尺度特征提取后，网络输出F同时输入到两个分支中，其中第一个分支将F非均匀划分成三个部分，第二个分支中将F均等分成两个部分，辅助特征对齐；

五个分支经过全局平均池化和卷积操作得到特征矩阵，每个特征矩阵包含N个长度为512的特征向量。

8.一种渐进式多损失函数约束下的行人重识别动态训练系统，其特征在于，标准化对齐模块，用于对特征向量进行对齐，通过关键点检测技术确定特征向量，并通过padding方式对特征向量进行对齐；

多尺度特征提取，用于对尺寸细节特征的提取，结合网络结构对不同尺寸细节特征进行提取；

动态训练模块；用于获得损失值，通过渐进式多损失联合约束模型对提取的特征向量进行动态训练。

9.根据权利要求8所述的一种渐进式多损失函数约束下的行人重识别动态训练系统，其特征在于，渐进式多损失联合约束方法包括FixTriplet和HAAM联合损失函数。