一种基于行人重识别的度量损失框架改进方法及相关设备技术

本发明专利技术公开了一种基于行人重识别的度量损失框架改进方法及相关设备，所述方法包括：利用对角化方法对拟合不同类别样本总体分布的协方差矩阵进行降维处理；利用代理矩阵存储不同类别的协方差矩阵的对角元素，并通过代理矩阵将样本的不确定性范围映射到特征空间中；利用SVD分解网络对特征提取网络的输出层参数矩阵进行奇异值分解；利用左奇异矩阵代替原参数矩阵，不改变特征向量欧氏距离相关性，将特征向量投影到正交的特征解空间中，完成对特征向量纬度的相关性解耦；根据提取得到的维度相关性解耦的特征向量，完成对度量损失框架的改进。本发明专利技术降低了损失函数的计算复杂度和模型复杂度，提升了训练效率和模型性能。提升了训练效率和模型性能。提升了训练效率和模型性能。

【技术实现步骤摘要】
一种基于行人重识别的度量损失框架改进方法及相关设备


[0001]本专利技术涉及机器视觉
，尤其涉及一种基于行人重识别的度量损失框架改进方法、系统、终端及计算机可读存储介质。

技术介绍

[0002]近些年来，随着安防需求激增，视频监控设备安装总量呈持续高速增长态势。面对海量监控数据，即海量图像、视频，如何对这些数据进行主动分析，从而挖掘出有用信息成为了社会治安防控工作中的重点内容。
[0003]行人重识别技术因为可以通过对行人衣着、姿态、轮廓等高层外型特征对目标图像在跨摄像头域的图像中进行检索，而成为了智能监控系统中的重要一环，其相关理论与研究具有重要的科研价值与应用价值。而基于度量学习的行人重识别研究随着深度学习的发展已经取得了相当的成果，例如了三元组损失函数(triplet loss)，即通过每次输入给模型一个包含两个同类样本、一个异类样本的三元组，而其优化目标是使同类样本对的距离相对于异类样本对的距离之差始终小于某个特定阈值；例如在图像检索任务中使用三元组损失，挖掘样本相似性；然后，将三元组损失应用到人脸识别任务，并设计了一个多尺度的网络结构提取图像特征。例如在行人重识别任务中，利用三元组损失构建了不同身份的行人在特征空间中的关系。例如还有提出了在三元组损失函数中对样本的分布进行高斯不确定建模算法，但改进后的损失函数存在着计算复杂度高的问题，同时现存的度量学习方法都未在输入的特征向量层面对特征纬度进行解耦，导致了模型复杂度高的问题。
[0004]因此，现有技术还有待于改进和发展。
专利
技术实现思路

[0005]本专利技术的主要目的在于提供一种基于行人重识别的度量损失框架改进方法、系统、终端及计算机可读存储介质，旨在解决现有技术中现存的度量学习方法都未在输入的特征向量层面对特征纬度进行解耦，导致了模型复杂度高的问题。
[0006]为实现上述目的，本专利技术提供一种基于行人重识别的度量损失框架改进方法，所述基于行人重识别的度量损失框架改进方法包括如下步骤：
[0007]利用对角化方法对拟合不同类别样本总体分布的协方差矩阵进行降维处理；
[0008]利用代理矩阵存储不同类别的协方差矩阵的对角元素，并通过代理矩阵将样本的不确定性范围映射到特征空间中；
[0009]利用SVD分解网络对特征提取网络的输出层参数矩阵进行奇异值分解；
[0010]利用左奇异矩阵代替原参数矩阵，不改变特征向量欧氏距离相关性，将特征向量投影到正交的特征解空间中，完成对特征向量纬度的相关性解耦；
[0011]根据提取得到的维度相关性解耦的特征向量，完成对度量损失框架的改进。
[0012]此外，为实现上述目的，本专利技术还提供一种基于行人重识别的度量损失框架改进系统，其中，所述基于行人重识别的度量损失框架改进系统包括：
[0013]矩阵降维模块，用于利用对角化方法对拟合不同类别样本总体分布的协方差矩阵进行降维处理；
[0014]样本映射模块，用于利用代理矩阵存储不同类别的协方差矩阵的对角元素，并通过代理矩阵将样本的不确定性范围映射到特征空间中；
[0015]奇异值分解模块，用于利用SVD分解网络对特征提取网络的输出层参数矩阵进行奇异值分解；
[0016]相关性解耦模块，用于利用左奇异矩阵代替原参数矩阵，不改变特征向量欧氏距离相关性，将特征向量投影到正交的特征解空间中，完成对特征向量纬度的相关性解耦；
[0017]框架改进模块，用于根据提取得到的维度相关性解耦的特征向量，完成对度量损失框架的改进。
[0018]此外，为实现上述目的，本专利技术还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于行人重识别的度量损失框架改进程序，所述基于行人重识别的度量损失框架改进程序被所述处理器执行时实现如上所述的基于行人重识别的度量损失框架改进方法的步骤。
[0019]此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于行人重识别的度量损失框架改进程序，所述基于行人重识别的度量损失框架改进程序被处理器执行时实现如上所述的基于行人重识别的度量损失框架改进方法的步骤。
[0020]本专利技术利用对角化方法对拟合不同类别样本总体分布的协方差矩阵进行降维处理；利用代理矩阵存储不同类别的协方差矩阵的对角元素，并通过代理矩阵将样本的不确定性范围映射到特征空间中；利用SVD分解网络对特征提取网络的输出层参数矩阵进行奇异值分解；利用左奇异矩阵代替原参数矩阵，不改变特征向量欧氏距离相关性，将特征向量投影到正交的特征解空间中，完成对特征向量纬度的相关性解耦；根据提取得到的维度相关性解耦的特征向量，完成对度量损失框架的改进。本专利技术降低了损失函数的计算复杂度和模型复杂度，提升了训练效率和模型性能。
附图说明
[0021]图1是本专利技术基于行人重识别的度量损失框架改进方法的较佳实施例的流程图；
[0022]图2是本专利技术基于行人重识别的度量损失框架改进方法的较佳实施例中利用代理矩阵控制对角化协方差更新示意图；
[0023]图3是本专利技术基于行人重识别的度量损失框架改进方法的较佳实施例中SVD分解网络原理示意图；
[0024]图4是本专利技术基于行人重识别的度量损失框架改进方法的较佳实施例中改进后的triplet loss度量损失框架示意图；
[0025]图5是传统的基于并行化计算的类内中心算法的示意图；
[0026]图6是本专利技术基于行人重识别的度量损失框架改进方法的较佳实施例中基于并行化计算的类别中心算法的示意图；
[0027]图7是本专利技术基于行人重识别的度量损失框架改进方法的较佳实施例中为加入对角化降维方法前后损失值收敛情况的示意图；
[0028]图8是本专利技术基于行人重识别的度量损失框架改进方法的较佳实施例中改进的高斯采样不确定性triplet分类算法流程图；
[0029]图9是本专利技术基于行人重识别的度量损失框架改进方法的较佳实施例中为样本在特征空间中的实际分布情况的示意图；
[0030]图10是本专利技术基于行人重识别的度量损失框架改进系统的较佳实施例的原理示意图；
[0031]图11为本专利技术终端的较佳实施例的运行环境示意图。
具体实施方式
[0032]为使本专利技术的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0033]本专利技术，旨在为了使不同类别的样本适应在特征空间中不确定性的分布范围，构建了基于奇异值分解(Singular Value Decomposition，SVD)网络结合协方差对角化矩阵方法，该方法同时在特征向量与待拟合协方差矩阵的层面实现特征纬度上解相关，从而仅需要训练学习协方差矩阵对角化的元素，以达到降低计算复杂度和模型复杂度的目的。
[0034]如图1所示，所述基于行人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于行人重识别的度量损失框架改进方法，其特征在于，所述基于行人重识别的度量损失框架改进方法包括：利用对角化方法对拟合不同类别样本总体分布的协方差矩阵进行降维处理；利用代理矩阵存储不同类别的协方差矩阵的对角元素，并通过代理矩阵将样本的不确定性范围映射到特征空间中；利用SVD分解网络对特征提取网络的输出层参数矩阵进行奇异值分解；利用左奇异矩阵代替原参数矩阵，不改变特征向量欧氏距离相关性，将特征向量投影到正交的特征解空间中，完成对特征向量纬度的相关性解耦；根据提取得到的维度相关性解耦的特征向量，完成对度量损失框架的改进。2.根据权利要求1所述的基于行人重识别的度量损失框架改进方法，其特征在于，所述利用对角化方法对拟合不同类别样本总体分布的协方差矩阵进行降维处理，具体包括：对样本分布进行建模时，对每个类别分别学习不同类别的协方差矩阵；若一个存在C个类别的训练图像数据集其中，y是图片I所对应的类别标签，N是训练图像的个数；对于第i张训练集图片I，将特征提取网络θ(
·
)提取的特征向量记作其中，n为特征向量空间的维数，T表示转置；将类别样本的协方差矩阵Σ
a
表示如下：其中，a
nn
表示第n维特征的方差；对原本的协方差矩阵Σ
a
加强约束，使各个维度之间的相关性进行解耦，得到对角化后的协方差矩阵：在对角化约束的条件下，每个类别的协方差矩阵的待更新元素数量下降到n，对具有C个类别的训练图像数据集、特征空间的维度是n维的情况下，对于协方差矩阵Σ
a
总共仅有C
×
n个元素计算，计算复杂度从平方复杂度O(C
×
n2)下降到线性复杂度O(C
×
n)。3.根据权利要求2所述的基于行人重识别的度量损失框架改进方法，其特征在于，所述利用代理矩阵存储不同类别的协方差矩阵的对角元素，并通过代理矩阵将样本的不确定性范围映射到特征空间中，具体包括：对编码一个C
×
n大小的参数矩阵用于存储每个类别的协方差矩阵的对角元素，所述参数矩阵称为代理矩阵，在每个迭代的过程中，根据训练样本三元组中锚点的标签索引，在代
理矩阵中提取标签索引所在的行向量；利用提取的行向量对角化重构锚点的协方差矩阵，将协方差矩阵映射到训练图像数据集的特征空间中，通过锚点的协方差矩阵与特征向量对锚点在特征空间中分布的不确定性进行高斯建模，再计算不确定性建模的triplet loss损失，将经过反向传播的梯度更新到协方差矩阵的代理矩阵中。4.根据权利要求3所述的基于行人重识别的度量损失框架改进方法，其特征在于，所述利用SVD分解网络对特征提取网络的输出层参数矩阵进行奇异值分解，具体包括：对于任意k
×
j大小的实数矩阵W，其中，k>j，奇异值分解的目标是将实数矩阵W分解为如下形式：W＝USV
T
；其中，U、V为单位正交矩阵，分别称为左奇异矩阵和右奇异矩阵，U∈R
m
×
m
，V∈R
n
×
n
，R
m
×
m
表示m
×
m的实数矩阵，R
n
×
n
表示n
×
n的实数矩阵；矩阵S的形式如下：其中，矩阵S仅在主对角线上有奇异值σ
i
，求解奇异矩阵U、V，令：WW
T
＝USV
T
VS
T
U
T
；由于WW
T
∈R
m
×
m
，进行特征分解可得：其中，特征矩阵Q为单位正交矩阵，λ
i
为特征值，列向量q
i

【专利技术属性】
技术研发人员：徐颖，庾名星，蔡大森，汤俊杰，陈明伟，
申请(专利权)人：深圳大学，
类型：发明
国别省市：