基于匹配卷积神经网络的行人再识别方法
专利汇可以提供基于匹配卷积神经网络的行人再识别方法专利检索，专利查询，专利分析的服务。并且本 发明 提出了一种基于匹配 卷积神经网络 的行人再识别方法，主要解决 现有技术 在复杂环境、行人 姿态 多变情况下识别准确率低的问题。其实现是：1.构建匹配卷积神经网络；2.收集行人图片，获取训练样本集；3.用得到的训练样本集对匹配卷积神经网络进行训练；4.当用户输入待查询行人图片时，利用训练好的匹配卷积神经网络计算其与从已知 数据库 中取出两张图片之间的相似度；5.重复4的操作，直到数据库中的所有图片都取完；6.根据计算得到的相似度按照由大到小的顺序对已知数据库进行排序，将排序后的结果返回给用户。本发明能在复杂环境、行人姿态多变的情况下提高行人再识别的准确率，可用于智能 监控系统 、人物实时追踪、交通监管领域。，下面是基于匹配卷积神经网络的行人再识别方法专利的具体信息内容。
1.一种基于匹配卷积神经网络的行人再识别方法，包括：
(1)构建匹配卷积神经网络：
(1a)建立一个由输入层、第一层、第二层、第三层、第四层、第五层和输出层构成的网络结构，其中输入层有三个图像Xα，Xp和Xn，输出层是三个向量Vα，Vp和Vn；
(1b)在第一层利用相同的卷积核分别对输入的图像Xα，Xp，Xn进行卷积，并对卷积后的结果再经过最大池化操作，得到第一层的三个特征图分别为
(1c)用第一层的三个特征图 构造出第一层的两个混合特征图，
其中，符号 表示是特征图对应位置的相加运算， 是第一层的第一个混合特征图，是第一层的第二个混合特征图；
(1d)在第二层分别对第一层的三个特征图 使用相同的卷积核进行卷积操作，并对卷积后的结果再经过最大池化操作，得到的第二层的三个特征图分别为分别对第一层得到的两个混合特征图 和 使用相同的匹配卷积核进行卷积操作，并对卷积后的结果再经过最大池化操作，得到的第二层的两个卷积特征图分别为 和然后按下式构造出第二层的混合特征图 和
(1e)在第三层分别对第二层得到的三个特征图 使用相同的卷积核进行
卷积操作，并对卷积后的结果再经过最大池化操作，得到第三层的三个特征图分别为分别对第二层得到的两个混合特征图 和 使用相同的匹配卷积核进行卷
积操作，并对卷积后的结果再经过最大池化操作，得到的第三层的两个卷积特征图分别为和 构造出第三层的混合特征图 和
其中，符号 表示特征图对应位置的相减运算；
(1f)在第四层对第三层得到的第一个特征图 进行卷积操作后得到第四层的第一个特征图 对第三层的两个混合特征图 和 再经过相同的卷积操作运算后得到第四层的第二个和第三个混合特征图 和
(1g)在第五层中将第四层的三个特征图 分别与输出层的三个500维的向
量Va，Vp，Vn进行全连接；其中， 和Vn进行全连接的权重与 和Vp进行全连接的权重相同；
(1h)网络的输出层是三个特征向量Va，Vp和Vn，这三个特征向量分别与输入层的三个图像Xa，Xp，Xn一一对应；
(2)从视频监控网络系统中收集大量拍摄于不同场景、环境、光照、角度下的行人图片，对这些行人图片进行整理，并将这些行人图片组合成三元组数据Ti,按如下步骤进行：
(2a)将属于同一身份的行人图片归为一类，即将同一个人在不同时间或不同摄像头中的被拍摄到的图片作为一类；
(2b)从样本集中随机选出一个参考样本Xa，再从与Xa属于同一身份的样本中选取一个与Xa最不相似的正样本Xp，再从与Xa不属于同一身份的样本中选取一个和Xa最相似的负样本Xn；
(2c)用参考样本Xa，正样本Xp，负样本Xn组成一个三元组形式的训练样本：
Ti＝(Xa，Xp，Xn)，
1≤i≤N，N是训练样本的数量，再用这些三元组数据构成训练样本集：
D＝(T1，T2，…，Ti，…，TN)；
(3)将训练样本集D输入到匹配卷积神经网络中进行训练，得到训练好的网络模型；
(4)用户输入待查询的行人图片，将其作为参考样本，从已知数据库中取出两张行人图片，分别与用户输入的待查询行人图片组成三元组，并将三元组输入到训练好的匹配卷积神经网络中，计算出待查询行人图片与从已知数据库中取出的两张行人图片之间的相似度；
(5)重复步骤(4)的操作，每次从已知数据库中取出两张行人图片计算它们与待查询行人图片之间的相似度，直到数据库中的所有图片都取完；
(6)根据计算得到的相似度按照由大到小的顺序对已知数据库中的所有图片进行排序，最后将排序后的结果返回给用户，排在最前面的行人图片就是和用户输入的查询行人图片最相似的。
2.根据权利要求1所述的方法，其中步骤(3)中将训练样本集D输入到匹配卷积神经网络中进行训练，按如下步骤进行：
(3a)将三元组Ti中的图像 输入到构造好的匹配卷积神经网络中，分别得到三个特征向量 和
(3g)分别计算第一个特征向量 与第二个特征向量 之间的欧式距离 及第一个特征向量 与第三个特征向量 之间的欧式距离
(3f)计算损失函数L：
其中，N是训练样本的数量，公式右下角的+号表示：当 时，方括号内取值为其绝对值；当 时，方括号内取值为0；α是设置的间隔距离；
(3g)利用反向传播算法对损失函数L进行优化，得到训练好的匹配卷积神经网络。
3.根据权利要求1所述的方法，其中步骤(4)中将三元组输入到训练好的匹配卷积神经网络中，计算出待查询行人图片与从已知数据库中取出的两张行人图片之间的相似度，按以下步骤进行：
(4a)分别计算第一个特征向量Va与第二个特征向量Vp之间的欧式距离Dp，及第一个特征向量Va与第三个特征向量Vn之间的欧式距离Dn：
(4b)由(4a)得到的欧式距离计算出待查询行人图片与从已知数据库中取出的两张行人图片之间的相似度：
Sp＝1-Dp
Sn＝1-Dn。
基于匹配卷积神经网络的行人再识别方法
技术领域
背景技术
发明内容
卷积操作，并对卷积后的结果再经过最大池化操作，得到的第二层的两个卷积特征图分别为 和 然后按下式构造出第二层的混合特征图 和
卷积操作，并对卷积后的结果再经过最大池化操作，得到的第三层的两个卷积特征图分别为 和 构造出第三层的混合特征图 和
具体实施方式
卷积操作，并对卷积后的结果再经过最大池化操作，得到的第二层的两个卷积特征图分别为 和 然后按下式构造出第二层的混合特征图 和
卷积操作，并对卷积后的结果再经过最大池化操作，得到的第三层的两个卷积特征图分别为 和 构造出第三层的混合特征图 和
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于深度学习改进的天气与用电相关性预测方法及装置 | 2020-05-11 | 231 |
| 互联网医疗黄牛风险控制的实现方法 | 2020-05-12 | 156 |
| 一种针对程序设计类课程的自动化答疑方法 | 2020-05-15 | 971 |
| 基于图像自编码的神经网络特征学习方法 | 2020-05-08 | 863 |
| 一种基于序列图像特征的自主无人系统位置识别定位方法 | 2020-05-12 | 35 |
| 基于改进非支配排序遗传算法的空间对象索引与查询方法 | 2020-05-14 | 965 |
| 基于元语义分解的电力客服留言生成模型样本处理系统及方法 | 2020-05-13 | 627 |
| 一种面向海洋多维数据的可视分析系统及方法 | 2020-05-14 | 435 |
| 查询结果的确定方法、装置、服务器及存储介质 | 2020-05-08 | 902 |
| 基于脑电特征的案例推理抑郁症识别系统 | 2020-05-12 | 171 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
