一种基于强化学习自适应分块的行人再识别方法技术

本发明专利技术属于计算机视觉与模式识别领域，具体涉及一种基于强化学习自适应分块的行人再识别方法。本发明专利技术引入强化学习方法，训练一个智能体网络，使其能够受数据本身驱动，根据检索行人本身特点自适应决定分块策略(分块个数与分块尺寸)。实验表明，本发明专利技术不仅提高了模型的灵活性与泛化能力，而且具有可观的应用前景。

【技术实现步骤摘要】
一种基于强化学习自适应分块的行人再识别方法
本专利技术属于计算机视觉与模式识别领域，具体涉及一种基于强化学习自适应分块的行人再识别方法。
技术介绍
在此大背景下，安防监控系统中的摄像头每天都在源源不断地采集海量视频图像数据，往往单个摄像头监控能力范围有限，而对于各类案件侦查时则需要跨多个摄像头进行检索与追踪。当案件发生时，仅凭警务人力来分析监控数据，既需耗费大量时间人力，更有可能错失侦破案件的最佳时机。行人再识别(PersonRe-identification,简称Re-ID)是计算机视觉与模式识别中一个重要的研究方向。行人再识别的目的在于检索出在不同时段跨摄像头下出现过的行人目标，即当目标行人在一个监控网络区域内的某一个摄像头下消失后，算法跟据所提取体征与其他各摄像头下出现的候选目标进行特征比对，并找出相似度最高的匹配者以再次识别出目标行人。行人再识别技术目前已经在智能监控系统中广泛应用，包括了安防、刑侦、敏感人群监控、寻找走失人群、行人行为分析等，对于公共安全的维护与社会的稳定具有重要意义。然而在实际运用中，一些不可控的因素制约了行人再识别算法的可行性，进而影响了检索任务的效果。本文档来自技高网...

【技术保护点】
1.一种基于强化学习的自适应分块行人再识别方法，其特征在于：步骤1、基础网络训练阶段，具体包括以下过程：(11)将数据集分割为基础网络训练集和Agent网络训练集，(12)将基础网络训练集的图像进行图像预处理，图像预处理方法为将行人图像缩放到384×128的尺寸大小，并采用水平反转、随机裁剪的方式对数据集进行扩充，采用计算图像平均亮度的方式为每个图像减去平均值；(13)基础网络结构为ResNet50，去掉最后的降采样层；(14)损失函数确定为Softmax损失结合难样本三元损失：

【技术特征摘要】
1.一种基于强化学习的自适应分块行人再识别方法，其特征在于：步骤1、基础网络训练阶段，具体包括以下过程：(11)将数据集分割为基础网络训练集和Agent网络训练集，(12)将基础网络训练集的图像进行图像预处理，图像预处理方法为将行人图像缩放到384×128的尺寸大小，并采用水平反转、随机裁剪的方式对数据集进行扩充，采用计算图像平均亮度的方式为每个图像减去平均值；(13)基础网络结构为ResNet50，去掉最后的降采样层；(14)损失函数确定为Softmax损失结合难样本三元损失：L＝Lcls+λLhm，θ表示最大边界值，Lhm表示三元损失，Lcls表示分类损失，λ为0至1之间的常数；P表示id个数，K表示该id下样本个数，x表示该mini-batch内第i个样本，表示基准样本，表示正样本，表示负样本；通过(14)步骤的公式训练直至网络收敛，得到基础网络模型参数；步骤2、动态策略搜索阶段的步骤；具体包括以下过程：(21)首先对分块策略得动作空间进行定义：分块策略包括了分块得块数以及块得大小，定义分块个数变化范围为{2，4，6，8}，块得大小分为“大”、“中”、“小”三种，分别记作L、M、S，式中，SM,SL,SS依次为各个块得长度，H为特征图长度，p表示分块个数；(22)动态全连接层对动作空间搜索：在(21)定义块数得基础上，循环遍历各种块数下得池化操作；对于块类型，随机生成遍历法，随着迭代次数增加，网络将会遍历搜索到所有尺寸分块策略，同时在整个网络回传过程中，所有全连接层参数都会得到更新；当Agent生成得分块策略为{L,M,M,S}时，该模块根据所对应得动作空间将特征图分割经过4个1×1卷积降维得到4个C×1×1得特征向量列表；(23)动作空间优化：结合正负样本余弦距离最值差与累计匹配曲线，针对块数进行统计，剔除掉无明显效果的块数策略，累计匹配曲线计算公式：该式意为检索集大小为m，对于当前被检索的图像pi，假设检索结果中排在第一位为正确的是qpi，那么该检索图像在最终排序中的位置记为r(qpi)；(24)二阶特征生成：根据(21)中动态全连接层结构，训练模型至收敛并保存最后一层降维卷积层输出的特征，对应策略作为标签进行保存；步骤3、基于强化学习的智能体网络训练阶段；具体包括以下过程：(31)强...

【专利技术属性】
技术研发人员：史宇轩，
申请(专利权)人：襄阳矩子智能科技有限公司，
类型：发明
国别省市：湖北,42