[发明专利]一种基于多属性和多策略融合学习的行人再识别方法

摘要

本发明公开了一种基于多属性和多策略融合学习的行人再识别方法，本发明方法在线下训练阶段，首先选择容易判断且具有足够区分度的行人属性，在属性数据集上训练行人属性识别器，再用该属性识别器为行人再识别数据集标注属性标签，然后结合属性和行人身份标签，采用融合行人分类和新颖的约束对比验证的策略，训练行人再识别模型；在线上查询阶段，用行人再识别模型分别对查询图像和库图像提取特征，计算查询图像特征与各库图像特征之间的欧氏距离，得到距离最近的图像，认为是行人再识别的结果。在性能方面，本发明的特征具有可区分性，取得了很好的准确率；在效率方面，本发明能够在行人图像库中快速检索到查询图像所表示的行人。

主权项

一种基于多属性和多策略融合学习的行人再识别方法，其特征在于，所述方法分为线下训练阶段和线上查询阶段：线下训练阶段具体包括以下步骤：(1)从行人属性数据集选取多种属性，并为每种属性划分类别，构建属性标签；(2)对行人属性识别数据集，构建有多种属性标签的卷积神经网络模型，训练一个行人属性识别器；(3)用训练好的行人属性识别器，为行人再识别数据集采用“投票法”标注属性标签，将行人再识别数据集中的图像输入卷积神经网络后，前向传播计算各分类层的值，其中最大元素的序号所对应的类别即为此图像对该属性的类别；对于每一个属性，同一行人的每张图像都有一张“选票”，根据每张图像的预测结果为属性类别“投票”，将“得票数”最多的类别作为该属性最终的标签；(4)对行人再识别数据集和标注好的属性标签，构建有行人身份标签、多种属性标签、融合分类与约束对比验证的卷积神经网络模型，训练一个行人再识别的模型；线上查询阶段包括以下步骤：S1、用训练好的行人再识别模型，分别对查询图像和库图像提取网络的高层特征，将一张图像输入网络后，前向传播计算分裂前最后一个全连接层的值，即为所需特征，每个图像都会得到一个向量特征；S2、计算查询图像特征与各库图像特征之间的欧氏距离，将得到的距离值从小到大排序，排名靠前的距离值对应的库图像与查询图像是同一行人的概率较大，取距离最近的多张图像作为查询目标。