[发明专利]一种基于图学习的全局结构信息嵌入网络的目标重识别方法

说明书

本发明公开了一种基于图学习的全局结构信息嵌入网络的目标重识别方法，包括步骤：数据集分类及预处理、训练集上图的构建和初始化、训练深度学习模型、测试深度学习模型。本发明利用图学习理论并通过图卷积神经网络自动学习这种全局结构信息，将该关系嵌入所学的特征中，获得更有表征能力的图形表示，将目标重识别问题转化为新的边预测问题，从而更快更准确地判断数据间的关系，提高了目标重识别的精度。

技术领域

本发明属于计算机视觉、模式识别及人工智能领域，具体涉及一种基于图像间全局拓扑关系的目标重识别方法。

背景技术

随着互联网技术和通信技术的不断发展，视频与图像等包含视觉信息的数据呈指数级增长，这些大规模的视觉数据为人工智能下计算机视觉的重要研究，带来了巨大的挑战。目标重识别主要用于解决目标的跨相机跟踪，实现场景匹配和行人、车辆的跨视场跟踪以及轨迹预测等。行人重识别和车辆重识别是目标重识别的两个重要任务。

车辆重识别的任务就是指，在给定一张测试图片的前提下，找出跨摄像头拍摄的同一辆车的图片。车牌作为车辆独一无二的标识，存在模糊、遮挡和虚假拍照的问题。另外由于涉及到隐私问题，科研人员往往无法获得具有车牌信息的数据集，近些年车辆重识别方法大多数都是对车辆整体进行纯视觉的研究。

行人重识别的目标是，在给定一个特定行人查询图片的情况下，可以在被检索的数据集中找到与之匹配的图片列表。现阶段，解决该问题仍存在诸多挑战，例如图像中存在恶劣的光照条件、严重遮挡、行人姿态的多样化、背景噪声以及视觉特征和摄像头视角的变化等情况。

尽管之前的研究工作极大地推动了目标重识别这一领域的发展，但几乎所有的相关算法都忽视了隐藏在整个数据集当中的全局结构特征：直观来看，一个真实的车辆/行人重识别数据集应当包含若干个簇，其中每个簇代表不同的行人，而每个簇内部属于同一个ID的图片实例之间存在着一定的拓扑关系。

然而现有关注特征学习的算法中，基于学习有判别性更强特征的方法关注学习更显著的局部特征，没有考虑这种数据集中的结构关系,是通过批训练的方式训练样本；而基于度量学习的算法则只感知数据集中的局部结构特征，这是因为这类算法只考虑部分数据的距离关系，却无法学习其余数据之间的关系。

发明内容

本发明旨在提供一种基于图学习的全局结构信息嵌入网络的目标重识别方法，用于解决以上问题。

本发明的技术方案是：

一种基于图学习的全局结构信息嵌入网络的目标重识别方法，其中，全局结构信息嵌入网络分为编码器/解码器模块和基于注意力感知的图卷积网络模块；编码器位于全局结构信息嵌入网络的头部，解码器位于全局结构信息嵌入网络的尾部,包括以下步骤：

S1，数据集分类及预处理：获取车辆数据集/行人数据集，将数据集划分为训练集和测试集，并针对数据集进行图像裁剪和图像尺寸调整的数据预处理；

S2，训练集上图的构建和初始化：使用残差网络提取训练集中所有图片的特征向量，根据提取好的特征向量集合X构建基于整个训练数据集上的大图对大图中边的特征和点的特征进行初始化，得到初始化图；

S3，训练深度学习模型，具体包括以下步骤：

S3.1，将S2中初始化图作为编码器的输入，编码器中的多层感知机将初始化图中的原始顶点特征和边特征转化到隐空间中；

S3.2，利用基于注意力感知的图卷积网络对隐空间中的顶点特征和边特征进行更新；

S3.3，解码器将最终学习到的隐空间中边特征映射到概率空间中，用于损失函数的计算；

S3.4，使用交叉熵损失函数和度量嵌入损失函数对整个全局结构信息嵌入网络进行训练；

S3.5，将S3.4中交叉熵函数和度量嵌入函数得到的损失相加，作为最终的损失；