(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210328263.X (22)申请日 2022.03.31 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 刘宝弟　韩东辰　刘伟锋　张凯　 葛新民　 (51)Int.Cl. G06V 20/30(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于校正排名列表的目标重识别方法和装 置 (57)摘要 本发明涉及模式识别技术领域， 尤其涉及一 种基于校正排名列表的目标重识别方法和装置， 旨在解决现有的目标重识别方法对目标重识别 的准确性较低的问题。 该基于校正排名列表的目 标重识别方法和装置， 通过将画廊集样本的特征 用聚类中心向量替换， 考虑聚类中心与查询集之 间的距离来校正排名， 提出了分布 排名列表和校 正排名列表， 通过分布排名列表和原始排名列表 可以获得校正排名列表， 校正排名列表取代原始 排名列表作为最终的目标重识别依据， 提高了目 标重识别的准确率； 此外， 本发明提出的分布排 名列表和校正排名列表适用于大型数据集， 不需 要人工干 预或标记数据， 该方法对于以往的主干 网络是即插即用的， 适用于所有的重识别任务。 权利要求书3页 说明书7页 附图2页 CN 114758261 A 2022.07.15 CN 114758261 A 1.一种基于校正 排名列表的目标重识别方法， 其特 征在于， 所述方法包括： 通过已训练好的主干网络 f(·)提取画廊集G和查询集Q的特征， 其中， 画廊集G＝{gi|i ＝1,2,...,N}， 查询集Q＝{qj|j＝1,2,...,M}， 其中， N表示画廊集中的图像数量； M表示查 询集中的图像数量； i和j是下标索引， 每个q表示一个探针图像， 每个探针图像的探针特征 为fq＝f(q)， 每 个g表示画廊集中的一个图像， 画廊集中的每 个图像的图库特 征为fg＝f(g)。 构造原始排名列表L(q,G)， 通过特征L2归一化后的欧几里德距离来获得探针特征fq和 图库特征fg之间的原 始距离， 其中， fq和fg两个特征之间的原 始距离为： 其中， z表示特 征的索引； D表示特 征的维数； 其中， 原始排名列表为： L(q,G)＝{gi|d(q,gi)∈d1,d2,...,dk} 其中， k代 表q的k个最近邻， d(q,gi)＜d(q,gi+1)。 通过将每个画廊集样本的特征用聚类中心向量替换， 每次迭代过程中， 将两个最接近 的聚类合并， 通过平均 链接方法重新计算聚类中心之间的距离， 其中， 聚类中心之间的距离 为： 其中， C表示某个聚类中心； x和y分别表示Ci和Cj中的特征点， mi和mj分别表示Ci和Cj的 大小， dist( ·,·)表示距离函数。 将最终的聚类结果作为伪标签分配给每个画廊集图像， 并对相同的伪标签进行求和以 及平均操作， 得到聚类中心特 征： 其中， ci表示第i个中心特征； Ni表示画廊集中与ci相同标签的数量； y表示c和画廊集图 像g的标签。 构造分布排名列表， 计算聚类中心与查询集之间的距离， 得到： dc(fq,fc)＝||fq‑fc||2 其中， fc＝{ci|c＝1,2,...,i}表示聚类中心特征向量， 用于存储画廊集中的特征； || · ||2表示L2范数； dc(·,·)表示聚类中心特 征和探针特 征之间的距离 。 通过结合原始距离以及聚类中心特征和查询集之间的距离， 使探测样本靠近相应的聚 类中心， 得到校正 排名列表： d*(fq,fg,fc)＝d(fq,fg)+λ dc(fq,fc) 其中， λ表示可调系数， 用于平衡原 始排名列表和分布排名列表组成校正 排名列表。 2.根据权利要求1所述的基于校正排名列表的目标重识别方法， 其特征在于， 所述主干 网络选用ResNet ‑50网络或其改进网络 。 3.一种基于校正 排名列表的目标重识别装置， 其特 征在于， 所述装置包括：权　利　要　求　书 1/3 页 2 CN 114758261 A 2特征提取模块， 用于通过已训练好的主干网络f( ·)提取画廊集G和查询集Q的特征， 其 中， 画廊集G＝{gi|i＝1,2,...,N}， 查询集Q＝{qj|j＝1,2,...,M}， 其中， N表示画廊集中的 图像数量； M表示查询集中的图像数量； i和j是下标索引， 每个q表示一个探针图像， 每个探 针图像的探针特征为fq＝f(q)， 每个g表示画廊集中 的一个图像， 画廊集中 的每个图像的图 库特征为fg＝f(g)。 原始排名列表构造模块， 用于构造原始排名列表L(q,G)， 通过特征L2归一化后的欧几 里德距离来获得探针特征fq和图库特征fg之间的原始距离， 其中， fq和fg两个特征之间的原 始距离为： 其中， z表示特 征的索引； D表示特 征的维数； 其中， 原始排名列表为： L(q,G)＝{gi|d(q,gi)∈d1,d2,...,dk} 其中， k代 表q的k个最近邻， d(q,gi)＜d(q,gi+1)。 聚类中心距离度量模块， 用于通过将每个画廊集样本的特征用聚类中心向量替换， 每 次迭代过程中， 将两个最接近的聚类合并， 通过平均链接方法重新计算聚类中心之间的距 离， 其中， 聚类中心之间的距离为： 其中， C表示某个聚类中心； x和y分别表示Ci和Cj中的特征点， mi和mj分别表示Ci和Cj的 大小， dist( ·,·)表示距离函数。 聚类中心特征获取模块， 用于将最终的聚类结果作为伪标签分配给每个画廊集图像， 并对相同的伪标签进行求和以及平均操作， 得到聚类中心特 征： 其中， ci表示第i个中心特征； Ni表示画廊集中与ci相同标签的数量； y表示c和画廊集图 像g的标签。 分布排名列表构造模块， 构造分布排名列表， 计算聚类中心与查询集之间的距离， 得 到： dc(fq,fc)＝||fq‑fc||2 其中， fc＝{ci|c＝1,2,...,i}表示聚类中心特征向量， 用于存储画廊集中的特征； || · ||2表示L2范数； dc(·,·)表示聚类中心特 征和探针特 征之间的距离 。 校正排名列表构造模块， 通过结合原始距离以及聚类中心特征和查询集之间的距离， 使探测样本 靠近相应的聚类中心， 得到校正 排名列表： d*(fq,fg,fc)＝d(fq,fg)+λ dc(fq,fc) 其中， λ表示可调系数， 用于平衡原 始排名列表和分布排名列表组成校正 排名列表。 4.根据权利要求3所述的基于校正排名列表的目标重识别装置， 其特征在于， 所述主干权　利　要　求　书 2/3 页 3 CN 114758261 A 3