基于图引导的异构深度网络的行人再识别方法技术

基于图引导的异构深度网络的行人再识别方法，属于计算机视觉领域。预处理行人再识别方法数据集，构建交集图；设计一个图引导学习的异构网络，通过这个网络模型推断出行人之间较为全局的相似性关系；在行人再识别数据集上，计算异构网络中两个子网络的分类损失和，通过反向传播算法和随机梯度下降法对异构网络进行端到端的训练，得到最终训练好的网络模型；利用训练好的异构网络测试行人再识别的识别效果，异构网络输出行人图像间的相似度，对相似度排序得到最终的检索结果。可以实现样本间更丰富相关性的度量，有效导引网络学习更具区分性的特征。充分发挥主干网络和复杂相似性学习子网络在特征学习方面各自特点，实现优势互补。互补。互补。

【技术实现步骤摘要】
基于图引导的异构深度网络的行人再识别方法


[0001]本专利技术属于计算机视觉领域，尤其是涉及一种基于图引导的异构深度网络的行人再识别方法。

技术介绍

[0002]行人再识别在视频监控中的具有重要应用与研究价值，它可以根据特定行人的外观特征进行活动轨迹的跟踪、检索和定位，是计算机视觉和模式识别领域中的热门研究课题。行人再识别问题被广泛被认为是一个图像检索的子问题：给定一个行人图像，行人再识别算法应当识别出其他设备下的该行人图像。然而，跨设备下的行人存在着以下的研究难点。1)由于摄像设备安置在不同的场景，所以采集到的行人图像会存在光照变化和视角变化的问题，这就会导致，同一个行人其外观差异较大，比较难以识别；2)在实际监控环境中，人流量难以控制，在人流量较大的情况下，难免对目标行人造成遮挡，这对识别算法也提出了较大的要求。
[0003]目前，考虑行人图像之间的相关性进行相似性学习，以获得具有差异性的特征是行人再识别方法的研究热点之一。相似性学习的目的是学习一个映射空间，使得在这个空间中的同类样本相互靠近，异类的样本相互远离。基于相似性学习的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图引导的异构深度网络的行人再识别方法，其特征在于包括以下步骤：1)预处理行人再识别方法数据集，构建交集图；2)设计一个图引导学习的异构网络，通过这个网络模型推断出行人之间较为全局的相似性关系；3)在行人再识别数据集上，计算异构网络中两个子网络的分类损失和，通过反向传播算法和随机梯度下降法对异构网络进行端到端的训练，得到最终训练好的网络模型；4)利用训练好的异构网络测试行人再识别的识别效果，异构网络输出行人图像间的相似度，对相似度排序得到最终的检索结果。2.如权利要求1所述基于图引导的异构深度网络的行人再识别方法，其特征在于在步骤1)中，所述预处理行人再识别方法数据集，构建交集图的具体步骤为：1.1首先在大规模图像数据上，利用反向传播算法和随机梯度下降法对主干网络预训练；1.2利用预训练的主干网络模型提取行人再识别数据集图像的特征，每一个特征当作是一个节点；然后根据节点间的相似性，为每一个节点构建其自身的交集图；构建交集图可以分为两个过程，一是节点采样，以确定图内有哪些节点，二是为图内的节点建立连接；1.3在节点采样过程中，针对每个节点，计算它和所有其他节点之间的欧氏距离并作为相似度，然后根据相似度降序排序，得到每个节点的前k个近邻，这些近邻即为其对应节点的近邻集；1.4在建立连接的过程中，对于当前节点和它的近邻集，如果某个近邻的近邻集中存在一些节点也存在于当前节点的近邻集，那么就将这些节点和该近邻连...

【专利技术属性】
技术研发人员：王其聪，黄艳，秦启峰，
申请(专利权)人：厦门大学深圳研究院，
类型：发明
国别省市：