基于區(qū)域生成網(wǎng)絡(luò)的行人重識(shí)別算法優(yōu)化

徐振國(guó)，張 旭，丁亞男，湯 健

（上海工程技術(shù)大學(xué) 航空運(yùn)輸學(xué)院，上海 201620）

0 引 言

行人重識(shí)別是指用給定待識(shí)別的行人圖像，從采集自不同時(shí)間點(diǎn)、不同攝像頭的圖像或者視頻中檢索特定行人的任務(wù)。行人重識(shí)別可以彌補(bǔ)目前固定攝像頭的視覺(jué)局限，并可與目標(biāo)檢測(cè)、目標(biāo)跟蹤技術(shù)相結(jié)合，應(yīng)用于視頻監(jiān)控、智能安防等領(lǐng)域［1］。在實(shí)際情況中，因攝像頭安裝位置、拍攝視角、環(huán)境光照變化及遮擋干擾等因素的影響，造成行人的姿態(tài)變化及外觀差異，給行人識(shí)別帶來(lái)巨大挑戰(zhàn)。

行人的特征表示的魯棒性對(duì)行人重識(shí)別算法的準(zhǔn)確度有很大的影響，越好的特征表示能夠獲取到更加全面的特征信息，對(duì)應(yīng)算法的效果就越好。早期的行人重識(shí)別一般都是提取手工設(shè)計(jì)的特征，包括顏色、方向梯度直方圖、LOMO、SIFT 等，之后利用KISSME 或XQDA 度量相似性［2－3］。但在復(fù)雜場(chǎng)景下，傳統(tǒng)的手工特征描述能力有限，相似性度量也會(huì)很難求解，隨著深度特征在各任務(wù)中表現(xiàn)出相較于傳統(tǒng)特征更強(qiáng)的表征能力，目前行人重識(shí)別都是基于深度卷積神經(jīng)，自動(dòng)提取深度特征。起初基于深度學(xué)習(xí)的行人重識(shí)別方法主要是用深度網(wǎng)絡(luò)學(xué)習(xí)圖像的全局特征，用分類損失或者度量損失進(jìn)行訓(xùn)練，文獻(xiàn)［4］提出了一個(gè)基于難樣本采樣的三元組損失算法，通過(guò)在一個(gè)訓(xùn)練批量中挑選出特征距離較大的正樣本和特征距離較小的負(fù)樣本進(jìn)行訓(xùn)練，能夠明顯加快模型的收斂，提高網(wǎng)絡(luò)的泛化能力；當(dāng)只用圖像的全局特征作為特征，表示識(shí)別的方法遇到瓶頸，文獻(xiàn)［5］提出一種基于水平切塊的局部特征的模型，將每一個(gè)局部特征作為一個(gè)獨(dú)立的特征連接損失函數(shù)單獨(dú)訓(xùn)練，將局部特征拼接起來(lái)，得到最終的特征。引入基于局部的精確池化（Refined part pooling，RPP）方法，用注意力機(jī)制對(duì)水平切塊進(jìn)行修正，進(jìn)一步提升了算法的性能。但使RPP 需預(yù)先訓(xùn)練好網(wǎng)絡(luò)模型，再凍結(jié)模型參數(shù)重新訓(xùn)練，因此整個(gè)模型不能端到端的訓(xùn)練，且僅使用單一尺度的局部特征會(huì)丟失一部分有用的視覺(jué)信息。文獻(xiàn)［6］引入人體骨架關(guān)鍵點(diǎn)模型，提取人體關(guān)鍵點(diǎn)，利用關(guān)鍵點(diǎn)通過(guò)區(qū)域候選網(wǎng)絡(luò)提取7 個(gè)身體子區(qū)域，然后根據(jù)子區(qū)域的不同語(yǔ)義層次與關(guān)系在不同的階段將特征向量進(jìn)行融合，得到一個(gè)聯(lián)合全局特征和多階段局部特征的行人重識(shí)別特征；文獻(xiàn)［7］提出了一種全局到局部對(duì)齊的描述子學(xué)習(xí)方法（Global－Local－Alignment Descriptor，GLAD），通過(guò)估計(jì)人體的4 個(gè)關(guān)鍵點(diǎn)把圖像分成頭部、上半身和下半身，然后將原圖和3 個(gè)局部圖像一起連接到一個(gè)4 分支共享權(quán)重的卷積網(wǎng)絡(luò)中，分別學(xué)習(xí)3 個(gè)局部特征和全局特征，利用全局平均池化（Global average pooling，GAP）來(lái)提取各自的特征，最后特征融合了全局以及3 個(gè)局部圖像的信息。上述方法利用行人姿態(tài)點(diǎn)提取特征，雖然可以對(duì)齊不同圖像中的人體結(jié)構(gòu)信息，但是需要一個(gè)額外的姿態(tài)估計(jì)模型，算法效率低，且分塊區(qū)域共享權(quán)重可能會(huì)導(dǎo)致信息丟失，影響行人識(shí)別的準(zhǔn)確度［8］。

為減少圖像背景對(duì)行人信息表征的影響，本文將RPN 引入到行人重識(shí)別算法中，通過(guò)RPN 獲取不同尺度信息的候選區(qū)域，更關(guān)注圖像中的行人區(qū)域，將候選區(qū)域投影到特征圖上，經(jīng)過(guò)后處理篩除得到最終的候選區(qū)域；再結(jié)合ROI 池化層處理不同尺度大小的特征圖，實(shí)現(xiàn)多尺度信息的協(xié)調(diào)統(tǒng)一；搭建了一個(gè)聯(lián)合全局特征、水平切塊的局部特征以及基于RPN 和ROI 特征的多分支網(wǎng)絡(luò)結(jié)構(gòu)，利用局部分支關(guān)注細(xì)粒度的行人特征彌補(bǔ)全局分支中的信息缺失，進(jìn)而得到一個(gè)聯(lián)合全局和局部多尺度信息的多分支網(wǎng)絡(luò)。另外，訓(xùn)練階段在難樣本采樣的三元組損失上引入正樣本的最小距離為類內(nèi)距離，提高正樣本之間的聚類性能，防止結(jié)果過(guò)擬合。

1 基本原理

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

本文的模型結(jié)構(gòu)如圖1 所示，采用聯(lián)合全局特征、水平切塊的局部特征以及經(jīng)過(guò)區(qū)域生成網(wǎng)絡(luò)提取ROI 的多尺度特征。全局特征關(guān)注行人整體特征，水平切塊的局部特征關(guān)注細(xì)粒度的行人特征，區(qū)域生成網(wǎng)絡(luò)提取ROI 的多尺度特征抑制背景噪聲。

圖1 網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 Structure of the network model

模型的主干網(wǎng)絡(luò)采用Resnet50 網(wǎng)絡(luò)，在原來(lái)網(wǎng)絡(luò)的基礎(chǔ)上移除最后的平均池化層和全連接層，定義特征維度并添加分類器。將骨干網(wǎng)絡(luò)最后一個(gè)殘差塊的最后一層卷積層的步長(zhǎng)設(shè)置為1，將提取的特征圖尺寸增大一倍，提取更加細(xì)粒度的特征。

將經(jīng)過(guò)主干網(wǎng)絡(luò)提取的特征圖分別經(jīng)過(guò)3 個(gè)分支：

（1）全局分支：經(jīng)過(guò)全局平均池化得到2048 維的特征，再經(jīng)過(guò)一個(gè)BNNeck 結(jié)構(gòu)；

（2）局部分支：利用水平池化得到8 個(gè)局部特征，經(jīng)由BN 層對(duì)特征向量和權(quán)重向量作歸一化處理，之后采用1×1 卷積對(duì)特征向量降維，最后利用動(dòng)態(tài)對(duì)齊算法（DMLI）對(duì)齊局部信息；

（3）區(qū)域生成網(wǎng)絡(luò)分支：在特征圖上生成候選區(qū)域并提取ROI 的多尺度特征。

使用帶標(biāo)簽平滑的分類損失和難樣本采樣的改進(jìn)三元組損失進(jìn)行聯(lián)合訓(xùn)練優(yōu)化，測(cè)試階段聯(lián)合3個(gè)分支進(jìn)行相似性匹配。

1.2 融合區(qū)域生成網(wǎng)絡(luò)ROI 池化的多尺度特征

圖像切塊是一種簡(jiǎn)潔有效的提取局部特征方法。考慮到在行人重識(shí)別數(shù)據(jù)集中，一部分圖像背景噪聲區(qū)域過(guò)大，一部分圖像只包含部分前景，造成識(shí)別的困難，本文引入?yún)^(qū)域生成網(wǎng)絡(luò)選擇候選區(qū)域，再通過(guò)ROI 池化層提取ROI 的多尺度特征，降低背景噪聲的影響。

當(dāng)pH為4.0的時(shí)候，濃度為2 μg/ml氯霉素標(biāo)準(zhǔn)品的出峰時(shí)間是10.27 min。峰圖有稍微的拖峰現(xiàn)象。

區(qū)域生成網(wǎng)絡(luò)（Region Proposal Network，RPN）由Faster R－CNN 一文提出，RPN 網(wǎng)絡(luò)在特征圖上生成目標(biāo)候選區(qū)域，并對(duì)目標(biāo)候選區(qū)域的位置進(jìn)行回歸［9］。具體操作為：首先，在卷積網(wǎng)絡(luò)提取的特征圖上，用一個(gè)3×3 的滑動(dòng)窗口檢測(cè)，找到與滑動(dòng)窗口中心點(diǎn)對(duì)應(yīng)原始圖像上的區(qū)域，將框的中心作為錨點(diǎn)，并生成預(yù)先定義的K個(gè)候選窗口，滑動(dòng)窗口每滑動(dòng)一個(gè)位置，生成一個(gè)256 維的特征向量，遍歷得到一個(gè)新的特征圖；其次，對(duì)整個(gè)特征圖分別進(jìn)行兩次1×1 卷積，得到每個(gè)特征向量的類別分?jǐn)?shù)和候選框的回歸參數(shù)；最后，通過(guò)篩除越界的候選框、非極大值抑制及偏移，得到最終的候選框。

使用RPN 網(wǎng)絡(luò)生成候選區(qū)域后，將RPN 網(wǎng)絡(luò)生成的候選框投影到特征圖上，獲得相應(yīng)的特征矩陣，由于經(jīng)過(guò)RPN 網(wǎng)絡(luò)生成的候選區(qū)域具有不同的尺度和形狀，不能直接通過(guò)全連接層預(yù)測(cè)分類，因此本文又將每個(gè)特征矩陣通過(guò)一個(gè)ROI 池化層獲得統(tǒng)一大小的特征圖。具體操作為：首先，將經(jīng)過(guò)RPN 網(wǎng)絡(luò)生成的候選區(qū)域映射到特征圖上；其次，對(duì)映射后的區(qū)域進(jìn)行劃分，使之與輸出的維度相同；最后，對(duì)劃分后的每個(gè)部分進(jìn)行最大池化，得到固定大小的特征圖。

本文在區(qū)域生成網(wǎng)絡(luò)的基礎(chǔ)上做出修改，如圖2 所示。

圖2 區(qū)域生成網(wǎng)絡(luò)分支結(jié)構(gòu)Fig.2 Structure of the region proposal network

（1）本文主干采用Resnet50 網(wǎng)絡(luò)，輸出2 048 維的特征圖，為了減少計(jì)算量，在區(qū)域生成網(wǎng)絡(luò)之前先進(jìn)行一次1×1 卷積，得到512 維的特征，經(jīng)過(guò)區(qū)域生成網(wǎng)絡(luò)之后輸出16×8×512 維的特征；

（2）對(duì)于上述得到的特征，可以看作是16×8 的512 通道的圖像，在圖像上的每個(gè)位置定義候選窗口，考慮到特征提取網(wǎng)絡(luò)的圖像是256×128 像素的行人圖像，因此定義3 種比例的矩形錨框，分別是H∶W＝{2∶1，3∶2，1∶1}；

（3）利用分類層輸出每個(gè)位置候選框?qū)儆谛腥说母怕剩Y除得分排序低的結(jié)果，再經(jīng)過(guò)非極大值抑制得到最終的預(yù)測(cè)；

（4）利用ROI 池化層統(tǒng)一特征向量大小時(shí)，首先將每個(gè)候選區(qū)域劃分為8×1 塊，對(duì)各部分進(jìn)行平均池化；接著將得到的8×1 維的特征張量水平切分成8 個(gè)特征向量；將ROI 池化后的特征先聯(lián)合全局分支和局部分支連接三元組損失訓(xùn)練優(yōu)化；對(duì)8×1維的特征張量再進(jìn)行全局平均池化，通過(guò)全連接層計(jì)算分類損失。

1.3 損失函數(shù)

分類損失可以看作是在特征空間學(xué)習(xí)幾個(gè)超平面，把不同類別的特征劃分到不同的子空間里。將特征歸一化到超球面，再優(yōu)化分類損失，取得更好的效果?；诜诸悡p失的方法比較魯棒，訓(xùn)練也比較穩(wěn)定，但當(dāng)訓(xùn)練的ID 數(shù)過(guò)多時(shí)，分類損失會(huì)容易過(guò)擬合。而三元組損失（Triplet loss）可以縮短正樣本對(duì)之間的距離，增加負(fù)樣本對(duì)之間的距離，最終在特征空間中讓同一行人的圖像形成聚類。

由于三元組損失適合在自由的歐式空間里約束，如果把特征約束到超球面上，特征分布的自由區(qū)域會(huì)大大減小，導(dǎo)致三元組損失把正負(fù)樣本對(duì)推開(kāi)的難度增加，因此若將特征歸一化到超球面上，再用三元組損失優(yōu)化網(wǎng)絡(luò)，網(wǎng)絡(luò)的性能通常會(huì)變差。文獻(xiàn)［10］提出一種BNNeck 結(jié)構(gòu)，將網(wǎng)絡(luò)全局池化得到的特征ft直接連接一個(gè)三元組損失，再將ft經(jīng)過(guò)一個(gè)BN 層的歸一化得到fi，使一個(gè)批量里面fi的各個(gè)維度近似地分布在超球面附近，最后再經(jīng)過(guò)一個(gè)分類的全連接層連接一個(gè)ID 損失，這樣可以使得三元組損失能夠在自由的歐式空間里約束特征，而分類損失可以在一個(gè)超球面附近約束特征。

本文使用BNNeck 結(jié)構(gòu)的分類損失和三元組損失聯(lián)合優(yōu)化的訓(xùn)練方法。分類損失函數(shù)采用交叉熵?fù)p失（CrossEntropy Loss），利用行人ID 作為訓(xùn)練標(biāo)簽來(lái)訓(xùn)練模型。由于傳統(tǒng)的三元組隨機(jī)從訓(xùn)練數(shù)據(jù)中采樣的樣本大部分都是簡(jiǎn)單易區(qū)分的樣本對(duì)，而且三元組損失沒(méi)有考慮到正樣本對(duì)之間的絕對(duì)距離，不利于網(wǎng)絡(luò)學(xué)習(xí)到更好的表示。本文使用難樣本采樣三元組損失（TriHard Loss），用更難的樣本去訓(xùn)練網(wǎng)絡(luò)，并在此基礎(chǔ)上引入樣本的類內(nèi)距離，提高網(wǎng)絡(luò)的泛化能力。本文的TriHard 損失表示式如下：

其中，(z)＋表示max{z，0 }；α是設(shè)定的閾值參數(shù)；da，p為行人正樣本對(duì)特征向量的歐式距離；da，n為行人負(fù)樣本對(duì)特征向量的歐式距離；A為與a相同行人ID 的圖像集；B為不同行人ID 的圖像集。

對(duì)于每一個(gè)訓(xùn)練batch，隨機(jī)挑選p個(gè)同一行人ID 的行人，每個(gè)行人隨機(jī)選擇k張不同的圖片，即一個(gè)batch含有p × k張圖片。對(duì)于batch中的每一張圖片a，可以挑選一個(gè)最難的正樣本和一個(gè)最難的負(fù)樣本與a組成一個(gè)三元組。TriHard Loss 會(huì)計(jì)算a和batch中的每一張圖片在特征空間的歐式距離，選出與a距離最遠(yuǎn)的正樣本p和距離最近的負(fù)樣本n來(lái)計(jì)算三元組損失，再增加一項(xiàng)優(yōu)化類內(nèi)損失。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集及評(píng)估指標(biāo)

為了驗(yàn)證本文算法的有效性，在Market1501、DukeMTMC－reID 數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，評(píng)估算法的性能。使用Rank－1 和mAP這兩個(gè)指標(biāo)評(píng)估模型的性能。Rank－1 表示在ReID 算法返回的行人識(shí)別排序列表中第1 位命中檢索的行人；mAP指標(biāo)反應(yīng)檢索的人在數(shù)據(jù)庫(kù)中所有正確的圖片排在列表前面的程度，能更加全面的衡量ReID 算法的性能。

2.2 實(shí)驗(yàn)環(huán)境和參數(shù)設(shè)置

實(shí)驗(yàn)平臺(tái)使用搭載NVIDIA GTX1060 GPU，16G內(nèi)存的計(jì)算機(jī)。實(shí)驗(yàn)采用PyTorch 深度學(xué)習(xí)框架，使用在ImageNet 數(shù)據(jù)集上預(yù)訓(xùn)練的ResNet50 的殘差卷積網(wǎng)絡(luò)為骨架，調(diào)整行人圖像的尺寸為256×128 像素，將ResNet50 的最后一個(gè)殘差塊的最后一層卷積層的步長(zhǎng)設(shè)置為1，移除最后的平均池化層和全連接層，在原來(lái)模型的基礎(chǔ)上重新定義分類器，行人圖像經(jīng)過(guò)骨架網(wǎng)絡(luò)輸出的特征圖的尺寸為16×8×2 048。在定義網(wǎng)絡(luò)前向傳播時(shí)，使用ROI 池化，最后對(duì)特征進(jìn)行歸一化處理。設(shè)置訓(xùn)練過(guò)程中初始學(xué)習(xí)率為0.000 2，每訓(xùn)練100 個(gè)epoch 學(xué)習(xí)率衰減10%，權(quán)重衰減系數(shù)為0.000 5，采用Adam 優(yōu)化器進(jìn)行參數(shù)更新。

2.3 對(duì)比實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證本文所提算法的有效性，將所提算法與基準(zhǔn)模型在Market1501 和DukeMTMC－ReID 兩個(gè)數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見(jiàn)表1 和圖3所示。采用Alignedreid模型作為本文的基準(zhǔn)模型并對(duì)基準(zhǔn)模型重新復(fù)現(xiàn)，結(jié)果顯示在Market1501 數(shù)據(jù)集上，Rank1 精度為89.6%，平均精確度mAP為76.2%，在Duke MTMC－reID 數(shù)據(jù)集上，Rank1 精度為79.3%，平均精確度mAP為64.9%。采用BNNeck結(jié)構(gòu)，使用原始的TriHard 損失訓(xùn)練模型，結(jié)果顯示模型的性能有了大幅度的提升。

為了驗(yàn)證所提引入樣本類內(nèi)距離的TriHard 損失的有效性，將原始的TriHard 損失改為引入正樣本類內(nèi)距離的TriHard 損失，保證實(shí)驗(yàn)中除了TriHard 損失不同，其他的設(shè)置完全一致。如圖3 所示，圖3（a）表示所提算法在Market1501 數(shù)據(jù)集的CMC，圖3（b）表示所提算法在Duke MTMC－reID 數(shù)據(jù)集的CMC。綠色虛線表示采用原始的TriHard 損失訓(xùn)練的結(jié)果，藍(lán)色實(shí)線表示采用引入樣本類內(nèi)距離的TriHard 損失的結(jié)果。實(shí)驗(yàn)結(jié)果表明，引入樣本類內(nèi)距離后的TriHard 損失模型在Market1501 和Duke MTMC－reID 數(shù)據(jù)集上的性能更好。

為了驗(yàn)證區(qū)域生成網(wǎng)絡(luò)分支在本文模型中的有效性，在上述模型的基礎(chǔ)上引入?yún)^(qū)域生成網(wǎng)絡(luò)分支進(jìn)行訓(xùn)練，保持其他的設(shè)置完全一致。從表1 可以看出，加入?yún)^(qū)域生成網(wǎng)絡(luò)分支一起訓(xùn)練后，在數(shù)據(jù)集Market1501 上的Rank1 精度提高到了94.7%，mAP精度提高到了85.8%；在數(shù)據(jù)集Duke MTMC－reID上的Rank1 精度提高到了86.8%，mAP精度提高到了74.3%。圖3 給出了所提算法CMC 曲線對(duì)比，其中紅色實(shí)線表示加入?yún)^(qū)域生成網(wǎng)絡(luò)分支后的CMC曲線。對(duì)比實(shí)驗(yàn)表明，引入?yún)^(qū)域生成網(wǎng)絡(luò)分支，行人重識(shí)別的檢測(cè)效果有顯著的提升，驗(yàn)證了區(qū)域生成網(wǎng)絡(luò)模塊的有效性。加入?yún)^(qū)域生成網(wǎng)絡(luò)分支后識(shí)別率提高的原因是區(qū)域生成網(wǎng)絡(luò)分支可以有效降低圖像中噪聲區(qū)域的干擾，從而提取到判別性更強(qiáng)的行人特征。

圖3 改進(jìn)算法在Market1501 數(shù)據(jù)集和Duke MTMCreID 數(shù)據(jù)集CMC 曲線對(duì)比Fig.3 Comparison of CMC curve of the improved algorithm between Market1501 dataset and Duke MTMC－reID dataset

表1 實(shí)驗(yàn)結(jié)果分析對(duì)比Tab.1 Analysis and comparison of experimental results

綜上所述，當(dāng)模型同時(shí)采用BNNeck 結(jié)構(gòu)、引入樣本類內(nèi)距離的TriHard 損失以及加入?yún)^(qū)域生成網(wǎng)絡(luò)分支進(jìn)行訓(xùn)練時(shí)，所提算法能夠明顯提升模型性能，驗(yàn)證了所提算法的有效性。

使用Re－ranking算法后，本文算法在Market1501 數(shù)據(jù)集上的Rank1 精度為95.3%，mAP精度為93.5%，在Duke MTMC－reID 數(shù)據(jù)集上的Rank1 精度為88.6%，mAP精度為86.1%。部分行人識(shí)別Rank10 的結(jié)果如圖4 所示。實(shí)驗(yàn)查詢圖像分別選擇行人遮擋、圖像模糊、背景復(fù)雜的情況，其中右側(cè)虛線框內(nèi)紅框標(biāo)記的圖像表示匹配錯(cuò)誤，綠色圖像表示匹配正確。從結(jié)果可以看出本文算法取得了較好的結(jié)果。

圖4 在Market1501 數(shù)據(jù)集的部分圖像查詢識(shí)別效果Fig.4 Some image query recognition effect in the Market1501 dataset

2.4 實(shí)驗(yàn)結(jié)果與主流算法比較

為了驗(yàn)證所提算法的有效性，將本文算法與SCPNet、PCB、Pyramid、GLAD、MGN、Multi－Scale、MLFN、HPM、HACNN 等主流算法進(jìn)行對(duì)比，結(jié)果見(jiàn)表2，可以看出本文算法在Market1501 和Duke MTMC－reID 這兩個(gè)數(shù)據(jù)集上的Rank1 精度和mAP精度優(yōu)于絕大部分對(duì)比的算法。

表2 本文算法在Market1501 和Duke MTMC－reID 上與其他主流算法的對(duì)比Tab.2 Comparison of our algorithm with other mainstream algorithms on Market1501 and Duke MTMC－reID

3 結(jié)束語(yǔ)

本文提出了一種基于區(qū)域生成網(wǎng)絡(luò)的行人重識(shí)別改進(jìn)算法。算法采用聯(lián)合全局分支、水平切塊的局部分支以及區(qū)域生成網(wǎng)絡(luò)ROI 池化分支的三分支網(wǎng)絡(luò)結(jié)構(gòu)。其中全局分支關(guān)注行人整體特征，水平切塊的局部分支關(guān)注細(xì)粒度的行人特征，通過(guò)引入?yún)^(qū)域生成網(wǎng)絡(luò)選取候選區(qū)域，使用ROI 池化層提取不同尺度的特征，抑制數(shù)據(jù)集中部分圖像背景噪聲過(guò)大的影響，使學(xué)習(xí)到的特征具有更強(qiáng)的判別性。本文使用交叉熵?fù)p失函數(shù)和三元組損失聯(lián)合優(yōu)化的訓(xùn)練方法，在難樣本采樣三元組損失的基礎(chǔ)上引入正樣本的類內(nèi)距離，提高網(wǎng)絡(luò)的泛化能力。通過(guò)在Market1501 和Duke MTMC－reID 數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，該方法取得了較好的識(shí)別效果，進(jìn)一步提高了行人重識(shí)別的精度，表明所提方法的有效性。