一种面向行人再识别的函数模型的优化方法及装置制造方法及图纸

本发明专利技术实施例提供一种面向行人再识别的函数模型的优化方法及装置，所述方法包括：获取行人图像对的特征向量；根据所述特征向量，建立与所述行人图像对一阶相关、二阶相关和差分相关的函数模型；获取与所述函数模型对应的损失函数，并根据所述损失函数对所述函数模型进行训练，以优化所述函数模型。所述装置执行上述方法。本发明专利技术实施例提供的面向行人再识别的函数模型的优化方法及装置，通过建立与行人图像对一阶相关、二阶相关和差分相关的函数模型，并通过损失函数对函数模型训练，优化了函数模型，能够全面地对行人图像对进行识别，从而提高行人再识别的准确率。

Optimization method and device of function model for pedestrian re recognition

An embodiment of the present invention provides an optimization method and device for a function model for pedestrians rerecognition. The method includes: obtaining a feature vector of a pedestrian image pair; based on the feature vector, a function model related to the first order correlation, two order correlation and difference of the pedestrian image is established; and the function model is obtained. The corresponding loss function is trained according to the loss function to optimize the function model. The device executes the above method. The optimization method and device of the function model for the pedestrian re recognition provided by the embodiment of the invention, through the establishment of the function model of the first order correlation, the two order correlation and the difference correlation with the pedestrian image, and training the function model through the loss function, the function model is optimized, and the pedestrian image pair can be identified in an all-round way. Thus the accuracy of the re recognition of pedestrians is improved.

【技术实现步骤摘要】
一种面向行人再识别的函数模型的优化方法及装置
本专利技术实施例涉及人工智能
，具体涉及一种面向行人再识别的函数模型的优化方法及装置。
技术介绍
在公共安全视频监控领域，行人再识别有着重大的现实意义。行人再识别是指在已有的多个空间位置上不交叠的监控视频中，根据目标行人图像，检索目标行人是否出现在这些视频中.在公共场合寻找丢失儿童、刑侦侦查工作、相册管理等领域运用广泛。在不交叠的监控视频中，由于光照强度、监控视角、人行走姿态等的不同，同一个人也表现出很大的差异性，如何在变化较大的情况下，正常识别出来是同一个人，是一个非常有挑战的问题。近年来，也有大量的研究工作在解决这个问题。现有的行人再识别方法，主要分为无监督的算法和有监督的算法。无监督的算法主要侧重聚类的方式，对图像进行人工特征提取，根据对图像的理解，提取具有稳定性和区分性的特征，通过相似度函数，计算一对行人图像的相似度程度。有监督的算法主要是先通过人工标记相同行人图像对和不相同行人图像对，利用机器学习的算法，挖掘出具有稳定性和区分性的特征。但是不管是有监督和还是无监督的算法，都涉及特征的提取和相似度度量的选择，特别是相似度度量的选择，对识别的准确性有决定性的影响。现有的马氏距离度量相似度函数，提出了学习一个相似度函数，来识别一对行人图像。但是马氏距离相似度函数只能从差分空间，考虑相似性，对行人图像对的识别有一定的局限性。因此，如何优化行人再识别的函数模型，全面地对行人图像对进行识别，从而提高行人再识别的准确率，成为亟须解决的问题。
技术实现思路
针对现有技术存在的问题，本专利技术实施例提供一种面向行人再识别的函数模型的优化方法及装置。第一方面，本专利技术实施例提供一种面向行人再识别的函数模型的优化方法，所述方法包括：获取行人图像对的特征向量；根据所述特征向量，建立与所述行人图像对一阶相关、二阶相关和差分相关的函数模型；获取与所述函数模型对应的损失函数，并根据所述损失函数对所述函数模型进行训练，以优化所述函数模型。第二方面，本专利技术实施例提供一种面向行人再识别的函数模型的优化装置，所述装置包括：获取单元，用于获取行人图像对的特征向量；建立单元，用于根据所述特征向量，建立与所述行人图像对一阶相关、二阶相关和差分相关的函数模型；优化单元，用于获取与所述函数模型对应的损失函数，并根据所述损失函数对所述函数模型进行训练，以优化所述函数模型。第三方面，本专利技术实施例提供一种电子设备，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：获取行人图像对的特征向量；根据所述特征向量，建立与所述行人图像对一阶相关、二阶相关和差分相关的函数模型；获取与所述函数模型对应的损失函数，并根据所述损失函数对所述函数模型进行训练，以优化所述函数模型。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，包括：所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：获取行人图像对的特征向量；根据所述特征向量，建立与所述行人图像对一阶相关、二阶相关和差分相关的函数模型；获取与所述函数模型对应的损失函数，并根据所述损失函数对所述函数模型进行训练，以优化所述函数模型。本专利技术实施例提供的面向行人再识别的函数模型的优化方法及装置，通过建立与行人图像对一阶相关、二阶相关和差分相关的函数模型，并通过损失函数对函数模型训练，优化了函数模型，能够全面地对行人图像对进行识别，从而提高行人再识别的准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例面向行人再识别的函数模型的优化方法流程示意图；图2为本专利技术实施例面向行人再识别的函数模型的优化装置结构示意图；图3为本专利技术实施例提供的电子设备实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例面向行人再识别的函数模型的优化方法流程示意图，如图1所示，本专利技术实施例提供的一种面向行人再识别的函数模型的优化方法，包括以下步骤：S1：获取行人图像对的特征向量。具体的，装置获取行人图像对的特征向量。不重叠摄像头采集的相似行人图像对集合S，不相似行人图像对集合D，集合S和D都可以由一组(X,Y)向量组成，其中X和Y表示行人图像对的特征向量(可以是X表示取自相似行人图像对集合S的行人图像对的特征向量；Y表示取自不相似行人图像对集合D的行人图像对的特征向量)，X＝{x1,x2,...,xd}，Y＝{y1,y2,...,yd}；d表示特征向量的维度。S2：根据所述特征向量，建立与所述行人图像对一阶相关、二阶相关和差分相关的函数模型。具体的，装置根据所述特征向量，建立与所述行人图像对一阶相关、二阶相关和差分相关的函数模型。所述函数模型可以为：其中，f(X,Y)是函数模型、X和Y分别表示取自相似行人图像对集合S和不相似行人图像对集合D的行人图像对的特征向量、X和Y的特征向量的维度都为d、A表示由d×d个实数构成的矩阵、W1,W2,W3分别表示二阶相关因子(XTAY+YTAX)、一阶相关因子(X+Y)、差分相关因子(X-Y)对应的权重，表示由d个实数构成的一维向量、c是实数常数。S3：获取与所述函数模型对应的损失函数，并根据所述损失函数对所述函数模型进行训练，以优化所述函数模型。具体的，装置获取与所述函数模型对应的损失函数，并根据所述损失函数对所述函数模型进行训练，以优化所述函数模型。损失函数为：其中，J(θ)是损失函数、θ＝{W,A,c}、其中K为行人图像对训练数据集，K中的每一个元素为((X,Y),t)，t＝{-1,1}，其中-1表示不相似图像对，1表示相似图像对、tk表示K中的每一个t、α和β都是常数、表示2范式，表示F范式。损失函数的目的是表示找到一组参数θ＝{W,A,c}，使得该损失函数值最小(argθmin)。进一步地，采用梯度下降法计算所述损失函数，以对所述函数模型进行训练，具体步骤可以如下：(1)损失函数对参数A求偏导(2)损失函数对参数W1求偏导(3)损失函数对参数W2求偏导(4)损失函数对参数W3求偏导实施流程(1)初始化W1＝W2＝W3＝0,A＝I,c＝0，其中，I是单位矩阵。(2)计算参数更新量，(3)确定更新率ε，ε是常量，根据经验初始化，一般设置为0.1，后期根据函数模型训练效果，进行参数初始化调整。(4)更新参数(5)重复(2)～(4)步，直至函数模型收敛或者到达训练最大次数。得到模型模型参数θ＝{W1,W2,W3,A,c}，从而得到深度二次相似度函数。通过对函数模型的训练，得到本文档来自技高网...

【技术保护点】
1.一种面向行人再识别的函数模型的优化方法，其特征在于，包括：获取行人图像对的特征向量；根据所述特征向量，建立与所述行人图像对一阶相关、二阶相关和差分相关的函数模型；获取与所述函数模型对应的损失函数，并根据所述损失函数对所述函数模型进行训练，以优化所述函数模型。

【技术特征摘要】
1.一种面向行人再识别的函数模型的优化方法，其特征在于，包括：获取行人图像对的特征向量；根据所述特征向量，建立与所述行人图像对一阶相关、二阶相关和差分相关的函数模型；获取与所述函数模型对应的损失函数，并根据所述损失函数对所述函数模型进行训练，以优化所述函数模型。2.根据权利要求1所述的方法，其特征在于，所述特征向量分别取自不重叠摄像头采集的相似行人图像对集合，以及不相似行人图像对集合；相应的，所述函数模型为：其中，f(X,Y)是函数模型、X和Y分别表示取自相似行人图像对集合S和不相似行人图像对集合D的行人图像对的特征向量、X和Y的特征向量的维度都为d、A表示由d×d个实数构成的矩阵、W1,W2,W3分别表示二阶相关因子(XTAY+YTAX)、一阶相关因子(X+Y)、差分相关因子(X-Y)对应的权重，表示由d个实数构成的一维向量、c是实数常数。3.根据权利要求1所述的方法，其特征在于，所述损失函数为：其中，J(θ)是损失函数、θ＝{W,A,c}、其中W＝[W1T,W2T,W3T]Hk＝[XkTAYk+YkTAXk,Xk+Yk,Xk-Yk]、K为行人图像对训练数据集，K中的每一个元素为((X,Y),t)，t＝{-1,1}，其中-1表示不相似图像对，1表示相似图像对、tk表示K中的每一个t、α和β都是常数、表示2范式，表示F范式。4.根据权利要求1所述的方法，其特征在于，所述并根据所述损失函数对所述函数模型进行训练，包括：采用梯度下降法计算所述损失函数，以对所述函数模型进行训练。5.一种面向行人再识别的函数模型的优化装置，其特征在于，包括：获取单元，用于获取行人图像对的特征向量；建立单元，用于根据所述特征向量，建立与所述行人图像对一阶相关、二阶相关和差分相关的函数模型；优...

【专利技术属性】
技术研发人员：陈昕，肖圣龙，李卓，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京,11