[发明专利]一种基于卷积神经网络特征学习的人物再识别方法

摘要

本发明提供了一种基于卷积神经网络特征学习的人物再识别方法，涉及视频处理技术领域，将任务数据集图像缩放成相同大小尺寸，利用归一化方法对任务数据集图像进行处理，构建深度卷积神经网络，并训练深度卷积神经网络，将查询人物p与所有候选人物进行计算，计算后即可得到查询人物p的再识别结果，本发明由于本发明将深度卷积神经网络引入到人物再识别问题中，设计具有双分支的网络结构，从原始输入图像上学习适合解决人物再识别问题的特征表示，通过构造再识别任务比较函数，将特征学习与相似性比较模型整合到一个网络框架中，实现端到端的解决人物再识别任务的目的。

主权项

1.一种基于卷积神经网络特征学习的人物再识别方法，其特征在于包括下述步骤：第一步：将任务数据集图像缩放成相同大小尺寸，利用归一化方法对任务数据集图像进行处理，进一步将数据集划分为训练集与测试集；第二步：构建深度卷积神经网络卷积神经网络结构包含两个输入分支，分别与不同摄像机中人物图像连接，两个输入分支分别包含一个卷积层C1及一个池化层S2；两个池化层S2产生的特征图，通过一个卷积层C3的卷积操作进行合并；池化层S4与卷积层C5顺序连接在卷积层C3输出的特征图之后，卷积层C5生成的特征图与权重层W6相连，输出为一维节点，表示输入图像对的相似程度；卷积层C1设定为32个卷积核，卷积核大小为7×7，两个分支共享卷积层参数；池化层S1设定为MaxPooling操作，池化窗口大小为2×2；卷积层C3设定为64个卷积核，卷积核大小为5×5；池化层S4设定为AveragePooling，池化窗口大小为2×2；卷积层C5设定32个卷积核，卷积核大小为3×3；权重层W6设定为768维神经元节点，网络输入为RGB三通道34×54大小图像，卷积层C1与池化层S2特征图大小为28×48，14×24；卷积层C3与池化层S4特征图大小为10×20，5×10；卷积层C5与权重层W6的神经元节点均为768维度大小；第三步：训练深度卷积神经网络构建训练数据对：将相同人物出现在不同摄像机中的图像，作为正样本图像对，标签为“+1”，将不同人物出现在不同摄像机中的图像对作为负样本，标签为“-1”，根据训练数据对，本发明通过优化如下目标函数实现对权重层W6的更新与求解： min 1 2 w T w + C 2 Σ n = 1 M ζ n 2 - - - ( 1 ) ]]> s . t . t n ( w T x n + b ) ≥ 1 - ζ n , ∀ i = 1 , 2 , ... M ]]>其中，xn表示卷积层C5的输出特征表示，tn表示出入样本图像对的标签，w表示权重层W6的神经元参数，ζn为与xn关联的松弛变量，M表示网络训练一个批次中包含的样本数，C为惩罚系数，池化层S4与卷积层C5节点h＝(h1，…，h768)T间连接的梯度，通过如下公式计算： w - 2 C Σ n = 1 M t n w | 1 - w T ht n | + - - - ( 2 ) ]]>公式(2)中，|z|+＝max(z，0)，根据公式(1)与公式(2)，利用反向传播算法，对深度卷积神经网络进行更新；第四步：深度卷积神经网络测试在测试集中，将查询人物图像p与候选人物图像作为图像对xn输入卷积神经网络中，网络输出结果表示为：On＝wTxn (3)公式(3)中，w为权重层W6参数，xn为卷积层C5输出特征表示，On为xn到决策边缘(Decision Boundary)距离，将查询人物p与所有候选人物按照公式(3)进行计算，计算后On值最大的候选人物tn即为查询人物p的再识别结果。