【技术实现步骤摘要】
一种基于群组信息损失函数的行人重识别方法
本专利技术属于图像分割、自动识别和目标表示邻域，特别地涉及一种基于群组信息损失函数的行人重识别方法。模型训练部分，涉及到超图模型和损失函数的构建以及卷积神经网络的特征学习。
技术介绍
视频监控在安全告警、追踪疑犯、走失寻人等工作中起到十分关键的作用。然而，在实际应用的过程中，单一的摄像头并不能分析行人在场景中的位置信息。所以在实际应用场景中，需要根据行人目标的查询图片，在视频监控网络中进行行人重识别。而在多摄像机监控网络中，如何进行行人身份信息有效关联建模，是行人重识别方向的主要难点和核心问题。针对于行人重识别的问题，传统的方法是通过对行人的颜色、纹理、姿态，以及深度学习方法进行特征提取，然后利用特征相似度进行排序，从而得到最后的行人重识别结果。但是由于不同的而摄像机之间存在角度、光照、摄像机内参等差异，使得在不同的摄像机下同一行人的外观会出现显著的改变，所以在特征提取的过程中，仅仅利用样本对之间的特征相似性，并不足以获得较高的行人再识别准确率。而群组相似性的引入，缓解了相同行人样本在不同摄像机下的差异所带来的影响，提升了...
【技术保护点】
1.一种基于群组信息损失函数的行人重识别方法，其特征在于，该方法为：步骤1：获取训练用数据集D0，所述数据集D0中包含K个行人标签，i＝1…K，每个行人标签包含了N个行人图片，因此，该数据集D0中了包含了N×K个行人图片。步骤2：从数据集D0随机选取若干个图片，构建多个批次的样本，每个批次的样本中，至少包含了4个行人标签，每个行人标签对应的行人图片数量相同，且至少为4张；每个批次中的图像，均采用卷积神经网络提取其特征向量；步骤3：针对包含P个标签、每个标签包含Q个行人图片的批次，构建基于群组相似性的超图模型H(v,e,w)。其中，其中v是由该批次中P*Q个样本图像的特征向量...
【技术特征摘要】
1.一种基于群组信息损失函数的行人重识别方法，其特征在于，该方法为：步骤1：获取训练用数据集D0，所述数据集D0中包含K个行人标签，i＝1…K，每个行人标签包含了N个行人图片，因此，该数据集D0中了包含了N×K个行人图片。步骤2：从数据集D0随机选取若干个图片，构建多个批次的样本，每个批次的样本中，至少包含了4个行人标签，每个行人标签对应的行人图片数量相同，且至少为4张；每个批次中的图像，均采用卷积神经网络提取其特征向量；步骤3：针对包含P个标签、每个标签包含Q个行人图片的批次，构建基于群组相似性的超图模型H(v,e,w)。其中，其中v是由该批次中P*Q个样本图像的特征向量构成的特征向量矩阵，e是由P个超边构成的超边矩阵，其中第j个超边为基于该批次中第j类标签的行人图像所构成的超边，w为该批次的权重；步骤4：基于步骤2中所建立的基于群组相似性的超图模型H(v,e,w)，引入正则化项，构建该批次概率超图目标函数E(f,v,w)。f为该批次中P*Q样本图像的分类相似度向量构成的分类相似度矩阵，所述的分类相似度向量为1*P向量，其中的元素表示图像属于对应类标签的相似度。步骤5，利用步骤4中所建立的目标函数，求取使得该批次概率超图目标函数E...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。