[发明专利]一种基于联合距离矩阵与混合对比损失的行人重识别方法

权利要求书

1.一种基于联合距离矩阵与混合对比损失的行人重识别方法，其特征在于，包括以下步骤：

步骤一、获取行人图片数据集，并对图像进行预处理；

步骤二、使用实例级内存字典中的特征并结合相机偏移距离矩阵来计算联合距离矩阵；然后采用DBSCAN算法进行聚类，生成伪标签；

步骤三、从训练样本中选取一定数量的查询样本输入到主干网络中提取查询样本的特征，用来与聚类内存字典中的特征进行混合对比损失的计算；

步骤四、提取全局平均池化层的特征，并使用欧氏距离进行检索。

2.根据权利要求1所述的基于联合距离矩阵与混合对比损失的行人重识别方法，其特征在于，预处理包括：对图像进行随机数据增强，统一图片分辨率，将无标签行人图像输入特征提取模型中，确定行人图像的初始特征，并将提取到的特征存储到实例内存字典中。

3.根据权利要求2所述的基于联合距离矩阵与混合对比损失的行人重识别方法，其特征在于，特征提取模型是通过深度残差网络Resnet50模型来提取行人图片的特征。

4.根据权利要求1所述的基于联合距离矩阵与混合对比损失的行人重识别方法，其特征在于，步骤二具体包括：

步骤21、将每个训练样本对应的摄像机ID表示为设置一个摄像机域偏移矩阵M^cam∈N_cam×N_cam，N_cam表示摄像机的数量；

步骤22、通过原始距离矩阵M_i,j和偏移矩阵M^cam计算出一个联合距离矩阵

步骤23、计算域偏移矩阵中相机u和相机v之间的差异；

步骤24、用原始距离矩阵减去域偏移矩阵的值作为惩罚项，得到联合距离矩阵。

5.根据权利要求4所述的基于联合距离矩阵与混合对比损失的行人重识别方法，其特征在于，原始距离矩阵M_i,j的计算公式为：

其中，f_θ(x_i)为主干网络提取出的样本特征。

6.根据权利要求4所述的基于联合距离矩阵与混合对比损失的行人重识别方法，其特征在于，差异的计算公式为：

其中，|f_θ(x_i)^u|表示由相机u拍摄的实例样本的数量，|f_θ(x_j)^v|表示由相机v拍摄的实例样本的数量。

7.根据权利要求4所述的基于联合距离矩阵与混合对比损失的行人重识别方法，其特征在于，联合距离矩阵的公式为：

其中，α是一个控制相机差异影响的参数，M_i,j为原始距离矩阵，为域偏移矩阵中相机u和相机v之间的差异。

8.根据权利要求4所述的基于联合距离矩阵与混合对比损失的行人重识别方法，其特征在于，步骤三具体包括：

步骤31、利用输入图像和聚类质心特征之间的相似性计算对比损失；

步骤32、保留正样本的聚类信息，将相似的样本聚集在一起，同时将除正样本以外的所有其余样本作为负样本处理。

9.根据权利要求8所述的基于联合距离矩阵与混合对比损失的行人重识别方法，其特征在于，聚类质心表示为：

其中，C_y表示第y个聚类的质心，|F_y|表示第y个聚类集合中所有特征的数量，f_i表示一个样本的特征，且

10.根据权利要求1所述的基于联合距离矩阵与混合对比损失的行人重识别方法，其特征在于，混合对比损失的计算公式为：

其中，表示第y个聚类的质心，用来表示正样本；表示当前不属于当前聚类的样本的集合。