本發明公開了一種基于深度條件隨機場的行人重識別方法，包括：獲取行人重識別數據集，從行人重識別數據集中獲取K個行人中每個行人對應的所有行人圖片，針對K個行人中的每一個行人而言，從其對應的行人圖片中任意獲取一張行人圖片作為目標行人圖片，從其對應的行人圖片中獲取N張除目標行人圖片之外的行人圖片構成該行人對應的正樣本圖片集合，從行人重識別數據集中獲取M張不與該行人對應的行人圖片構成該行人對應的負樣本圖片集合，所有1+M+N張行人圖片共同構成該行人對應的圖片組。本發明能夠解決現有圖模型的行人重識別方法存在的行人重識別準確率低、圖模型參數求解困難的技術問題。

技術領域

本發明屬于模式識別領域，更具體地，涉及一種基于深度條件隨機場的行人重識別方法和系統。

背景技術

行人重識別(Person Re-Identification，簡稱ReID)是計算機視覺領域中一個熱門的研究主題，其旨在從無視角交疊區域的不同攝像頭下檢索出目標行人，因此在視頻監督、社會安防等方面發揮著重要作用。

傳統的行人重識別方法主要依次分為兩個階段，即特征提取階段和距離度量階段。其中在第一階段，將裁剪好的行人圖片送進網絡模型來提取特征向量，該特征向量往往已具有一定的魯棒性、區分性，能夠粗略的辨別出不同的行人身份；緊接著在第二階段，將上述的行人圖片特征向量兩兩配對，送進度量函數來度量它們之間的距離，并期望經過此度量函數映射后，在新映射空間內，同身份行人圖片特征向量之間的距離要小于不同身份行人圖片特征向量之間的距離；最終，根據特征向量距離排序來鎖定不同攝像頭下的目標行人。

在近幾年新提出的眾多基于距離度量的方法中，基于圖模型的行人重識別方法得到了業界的廣泛關注，其核心在于挖掘潛在的數據相關性，并將此相關性在樣本數據之間進行信息傳遞，以此獲得一個整體上的全局最優解。

然而，現有傳統的行人重識別方法或基于圖模型的行人重識別方法仍存在一些顯而易見的局限性：

(1)由于傳統的行人重識別方法在訓練階段往往只考慮二元組或三元組樣本，因此此方法只能夠得到局部的優化，而并沒有利用數據之間的相關性，這會降低行人重識別結果的準確率；

(2)由于傳統的行人重識別方法在測試階段往往只度量兩張圖片之間的相似度，過于簡單絕對，忽略了其他行人圖片之間蘊含的豐富信息，這會降低行人重識別的準確率；

(3)基于圖模型的行人重識別方法未能結合神經網絡以發揮出其自適應學習的能力，而是通常將數據建模為特定分布(如高斯分布等)，再通過手動求導、人工計算來得到近似解參數，因此存在圖模型參數求解困難這一棘手問題；

(4)基于圖模型的行人重識別方法實質上是一個各模塊分裂開來的系統，未能真正形成一個端到端的完整系統，其在求解時僅優化更新圖模型的參數，導致無法對前端模型的參數進行優化更新，從而會進一步降低行人重識別結果的準確率。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于深度條件隨機場(Conditional Random Field，簡稱CRF)的行人重識別方法。其目的在于，通過圖模型的構建，將傳統的兩兩圖片距離度量的行人重識別問題轉化為CRF模型下的類別狀態標記問題，以此挖掘數據間的相關性來獲得一個全局最優解，從而解決傳統的行人重識別方法存在的行人重識別準確率的技術問題；同時，本發明在求解CRF頂點類別過程中將CRF的勢函數和狀態推理嵌入神經網絡中，利用神經網絡強大的學習能力和自適應優化機制，解決現有圖模型的行人重識別方法存在的行人重識別準確率低、圖模型參數求解困難的技術問題。

為實現上述目的，按照本發明的一個方面，提供了一種基于深度條件隨機場的行人重識別方法，包括以下步驟：

(1)獲取行人重識別數據集；