本公開屬于圖像識別，特別涉及一種基于深度特征學習的行李箱重識別方法及系統。
背景技術：
1、在機場、火車站等交通樞紐，行李箱的丟失、錯拿等問題屢見不鮮，給旅客帶來極大的不便。構建高精度、魯棒的行李箱自動識別與追蹤系統，對于提升行李托運的自動化水平、保障行李安全、減少人工查找成本具有重大意義。
2、行李箱重識別旨在利用計算機視覺技術，在不同時間、不同攝像頭視角下，準確識別出同一個行李箱。其核心挑戰在于行李箱外觀可能存在相似性、拍攝角度變化、光照條件差異、遮擋以及不同程度的磨損等。
3、現有的重識別方法多基于深度學習模型，通常采用一個深度卷積神經網絡（如resnet、densenet）作為主干網絡提取圖像特征，再結合分類損失（如交叉熵損失）和度量學習損失（如改進的三元組損失）來訓練模型，使得同一行李箱的特征在嵌入空間中盡可能接近，不同行李箱的特征盡可能遠離。
4、然而，直接將為行人重識別設計的模型應用于行李箱領域存在以下問題：（1）行李箱的紋理、顏色、形狀等特征與行人差異巨大，預訓練模型的遷移效果可能不佳；（2）行李箱圖像中背景雜亂、遮擋嚴重等問題更為突出；（3）缺乏大規模、高質量的公開行李箱重識別數據集，導致模型訓練困難。因此，亟需一種專門針對行李箱重識別任務進行優化設計的方法，以提高在實際場景中的識別準確率和魯棒性。
技術實現思路
1、為解決上述問題，本公開提供了一種基于深度特征學習的行李箱重識別方法，具有對行李箱高準確率重識別的優點，該方法包括：
2、將待重識別行李箱圖像輸入初始重識別模型，獲取所述待重識別行李箱圖像屬于各身份類別的概率分布；
3、根據基于所述概率分布的交叉熵分類損失與基于特征向量距離的損失構建聯合損失函數；
4、基于所述聯合損失函數，通過含身份標簽的行李箱圖像數據集對所述初始重識別模型進行訓練，得到目標重識別模型；
5、基于所述目標重識別模型對待重識別圖像進行重識別。
6、進一步地，所述初始重識別模型，包括：依次連接的特征提取網絡與分類器；所述特征提取網絡的輸入為待處理圖像，輸出為所述待處理圖像的圖像特征向量；所述分類器的輸入為所述圖像特征向量，輸出為所述待處理圖像屬于各身份類別的概率分布。
7、進一步地，所述特征提取網絡為resnet101深度殘差網絡，所述resnet101深度殘差網絡包括若干個殘差塊，每個殘差塊由卷積層、批量歸一化層與relu激活函數構成。
8、進一步地，所述resnet101深度殘差網絡還包括高斯掩碼解碼器，所述高斯掩碼解碼器用于通過掩碼回歸分支聚焦所述待處理圖像中的行李箱有效區域。
9、進一步地，所述分類器采用全連接層結構，通過將所述圖像特征向量映射為logits向量，基于softmax激活函數處理logits向量以計算所述待處理圖像屬于各身份類別的概率分布。
10、進一步地，所述基于所述概率分布的交叉熵分類損失對應函數的表達式，包括：
11、
12、其中，表示特征提取網絡的交叉熵分類損失；表示單次訓練中輸入的樣本數量；表示第個樣本屬于其真實身份類別的預測概率；表示第個樣本的真實身份標簽；=1,2,3…n。
13、進一步地，所述基于特征向量距離的損失對應函數的表達式，包括：
14、
15、其中，表示分類器的基于特征向量距離的損失；表示單次訓練中輸入的樣本數量；表示第個三元組中錨點樣本與正樣本的歐氏距離；表示第個三元組中錨點樣本與負樣本的歐氏距離；=1,2,3…n。
16、進一步地，在根據基于所述概率分布的交叉熵分類損失與基于特征向量距離的損失構建聯合損失函數時，考慮的損失還包括高斯掩碼回歸損失，對應函數的表達式，包括：
17、
18、其中，表示特征提取網絡的高斯掩碼回歸損失；表示對·取均方誤差；表示模型預測的掩碼；表示高斯分布生成的真值掩碼；與的尺寸相同。
19、進一步地，所述聯合損失函數對應函數的表達式，包括：
20、
21、其中，表示特征提取網絡的交叉熵分類損失；表示分類器的基于特征向量距離的損失，為其權重；表示特征提取網絡的高斯掩碼回歸損失，為其權重。
22、本公開還提出一種基于深度特征學習的行李箱重識別系統，包括：
23、概率計算模塊，被配置為：將待重識別行李箱圖像輸入初始重識別模型，獲取所述待重識別行李箱圖像屬于各身份類別的概率分布；
24、損失函數構建模塊，被配置為：根據基于所述概率分布的交叉熵分類損失與基于特征向量距離的損失構建聯合損失函數；
25、模型訓練模塊，被配置為：基于所述聯合損失函數，通過含身份標簽的行李箱圖像數據集對所述初始重識別模型進行訓練，得到目標重識別模型；
26、重識別推理模塊，被配置為：基于所述目標重識別模型對待重識別圖像進行重識別。
27、與現有技術相比，本公開具有如下優點：通過resnet101殘差連接解決深層網絡梯度消失、gem池化更好保留行李箱局部細節、高斯掩碼回歸分支抑制背景干擾實現針對性特征提??；以全連接層映射特征到身份類別概率完成精準分類；用交叉熵分類損失優化身份區分、softmaxtriplet損失高效優化正負樣本間隔、高斯掩碼回歸損失聚焦有效區域構建多目標聯合損失；借綜合數據增強提升復雜場景泛化能力、余弦退火學習率調度與早停機制穩定訓練強化端到端訓練；再通過l2歸一化、余弦相似度、重排序修正誤判及rank@k、map評估，實現行李箱在復雜場景下高精度、高魯棒性的重識別。
28、本公開的其它特征和優點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本公開而了解。本公開的目的和其他優點可通過在說明書、權利要求書以及附圖中所指出的結構來實現和獲得。
1.一種基于深度特征學習的行李箱重識別方法，其特征在于，包括：
2.如權利要求1所述的基于深度特征學習的行李箱重識別方法，其特征在于，所述初始重識別模型，包括：特征提取網絡與分類器；所述特征提取網絡的輸入為待處理圖像，輸出為所述待處理圖像的圖像特征向量；所述分類器的輸入為所述圖像特征向量，輸出為所述待處理圖像屬于各身份類別的概率分布。
3.如權利要求2所述的基于深度特征學習的行李箱重識別方法，其特征在于，所述特征提取網絡為resnet101深度殘差網絡，所述resnet101深度殘差網絡包括若干個殘差塊，每個殘差塊由卷積層、批量歸一化層與relu激活函數構成。
4.如權利要求3所述的基于深度特征學習的行李箱重識別方法，其特征在于，所述resnet101深度殘差網絡還包括高斯掩碼解碼器，所述高斯掩碼解碼器用于通過掩碼回歸分支聚焦所述待處理圖像中的行李箱有效區域。
5.如權利要求2所述的基于深度特征學習的行李箱重識別方法，其特征在于，所述分類器采用全連接層結構，通過將所述圖像特征向量映射為logits向量，基于softmax激活函數處理logits向量以計算所述待處理圖像屬于各身份類別的概率分布。
6.如權利要求1所述的基于深度特征學習的行李箱重識別方法，其特征在于，所述基于所述概率分布的交叉熵分類損失對應函數的表達式，包括：
7.如權利要求6所述的基于深度特征學習的行李箱重識別方法，其特征在于，所述基于特征向量距離的損失對應函數的表達式，包括：
8.如權利要求7所述的基于深度特征學習的行李箱重識別方法，其特征在于，在根據基于所述概率分布的交叉熵分類損失與基于特征向量距離的損失構建聯合損失函數時，考慮的損失還包括高斯掩碼回歸損失，對應函數的表達式，包括：
9.如權利要求8任意一項所述的基于深度特征學習的行李箱重識別方法，其特征在于，所述聯合損失函數對應函數的表達式，包括：
10.一種基于深度特征學習的行李箱重識別系統，其特征在于，包括：