[发明专利]行人重识别方法、装置及电子设备

权利要求书

1.一种行人重识别方法，其特征在于，包括：

通过自适应学习的方法生成训练样本；

基于训练样本对特殊的神经网络中进行训练，得到训练好的神经网络，所述神经网络包括可扩充卷积，所述可扩充卷积基于卷积核和卷积核偏移量确定；

基于训练好的神经网络对进行行人重识别。

2.根据权利要求1所述的方法，其特征在于，所述通过自适应学习的方法生成训练样本，包括：

基于对抗神经网络生成初始训练样本；其中，所述对抗神经网络包括一个外观编码器，一个结构编码器，一个解码器以及一个判别器来区分真实样本以及生成样本；

对所述初始训练样本进行二次优化过滤，得到最终训练样本，所述最终训练样本用于对所述特殊的神经网络进行训练。

3.根据权利要求1所述的方法，其特征在于，基于可扩充卷积的特征提取过程基于如下公式确定：

其中，R为卷积之后的特征值，J为卷积核，(m，n)为卷积大小，i为待卷积矩阵，Δp为卷积核偏移量。

4.根据权利要求1所述的方法，其特征在于，基于可扩充卷积的特征提取过程基于如下公式确定：

其中，R为卷积之后的特征值，J为卷积核，(m，n)为卷积大小，i为待卷积矩阵，Δp为卷积核偏移量，F为双线性插值方法，使得得到的特征值变为整数。

5.根据权利要求1-4任意一项所述的方法，其特征在于，基于组合式损失函数以及训练样本对特殊的神经网络中进行训练，所述组合式损失函数基于如下公式确定：

其中z_i为第i个节点的输出值，C为输出节点个数，即分类的类别个数，a为anchor锚示例，p为positive，与a是同一类别的样本；n为negative，与a是不同类别的样本；margin是一个大于0的常数。

6.根据权利要求1所述的方法，其特征在于，所述基于训练好的神经网络对进行行人重识别，包括：

基于训练好的神经网络对测试库和检索图片进行特征提取，生成特征库和检索图片所对应的特征值；

对特征库和检索图像所对应的特征值进行特征比对，使用特殊的排序方法输出结果，所述特殊的排序方法包括对待检索目标进行特征比对，排序，对排序结果的前n位结果特征值进行加权平均，得到第一特征值，对第一特征值进行二次排序得到排序结果，基于所述排序结果进行行人重识别。

7.一种行人重识别装置，其特征在于，包括：

生成模块，用于通过自适应学习的方法生成训练样本；

训练模块，用于基于训练样本对特殊的神经网络中进行训练，得到训练好的神经网络，所述神经网络包括可扩充卷积，所述可扩充卷积基于卷积核和卷积核偏移量确定；

识别模块，用于基于训练好的神经网络对进行行人重识别。

8.根据权利要求7所述的装置，其特征在于，所述生成模块具体用于：

基于对抗神经网络生成初始训练样本；其中，所述对抗神经网络包括一个外观编码器，一个结构编码器，一个解码器以及一个判别器来区分真实样本以及生成样本；

对所述初始训练样本进行二次优化过滤，得到最终训练样本，所述最终训练样本用于对所述特殊的神经网络进行训练。

9.一种电子设备，其特征在于，包括：处理设备以及存储装置；

所述存储装置上存储有计算机程序，所述计算机程序在被所述处理设备运行时执行如权利要求1至6任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至6任一项所述的方法的步骤。