平移变化性相似性学习的行人重识别算法

TP391.41; 行人重识别的精确度主要取决于相似性度量方法和特征学习模型.现有的度量方法存在平移不变性的特点,会增加网络参数训练的难度.现有的几种特征学习模型只强调样本之间的绝对距离而忽略了正样本对和负样本对之间的相对距离,造成网络学习到的特征判别性不强.针对现有度量方法的缺点该文提出一种平移变化的距离度量方法,能够简化网络的优化并能高效度量图像之间的相似性.针对特征学习模型的不足,提出一种增大间隔的逻辑回归模型,模型通过增大正负样本对之间的相对距离,使得网络得到的特征判别性更强.实验中,在Market1501和CUHK03数据库上对所提度量方式和特征学习模型的有效性进行验证,实验结果表明,所提度量方式性能更好,其平均精确率超出马氏距离度量6.59％,且所提特征学习模型也取得了很好的性能,算法的平均精确率较现有的先进算法有显著提高.