一种基于模糊深度聚类的无监督行人再识别方法技术

本发明专利技术实施例公开了一种基于模糊深度聚类的无监督行人再识别方法，该方法包括：利用行人图像特征提取网络模型提取行人图像特征；构建模糊深度聚类网络并初始化；利用模糊深度聚类网络学习新的特征空间和聚类中心，为无标签行人图像分配模糊标签；利用可靠性样本对于行人图像特征提取网络模型进行训练；交替训练直至可靠性样本达到饱和；利用训练得到的行人图像特征提取网络模型提取测试行人图像特征，通过计算特征距离得到无监督行人再识别结果。本发明专利技术利用模糊深度聚类网络学习新的特征空间，有利于复杂行人图像的聚类和模糊标签的分配，利用带模糊标签的可靠性样本训练特征提取网络，减少了过度拟合的风险，从而提高无监督行人再识别匹配的正确率。

【技术实现步骤摘要】
一种基于模糊深度聚类的无监督行人再识别方法
本专利技术属于计算机视觉、模式识别、人工智能
，具体涉及一种基于模糊深度聚类的无监督行人再识别方法。
技术介绍
行人再识别(Re-identification)的目标是判断不同摄像头下出现的行人是否属于同一行人，可以看作是图像检索的子问题。随着社会的不断发展，越来越多的摄像头被安装到公共场所，如：商场、小区、校园、机场等等。通过对公共场所行人的监控，可以方便收集犯罪分子的作案过程，为警方破案提供更多的线索。同时视频监控对行人进行了合理约束，保障了人们的社会公共安全。由于行人图像的拍摄角度不同、光照条件差、分辨率低、行人姿态不断变化等原因，使得行人再识别成为目前计算机视觉领域一个既具有研究价值又极具挑战性的热门课题。目前，卷积神经网络已经广泛应用于行人再识别领域，并且能够有效地提高行人再识别的性能，但卷积神经网络的计算需要大量有标签的行人图像，而标记过程的成本非常高。为了解决这个问题，无监督行人再识别应运而生。无监督行人再识别不需要行人图像的标签并且更接近于实际应用。基于卷积神经网络，无监督行人再识别主要分为两大类：第一类采用无监督域适应技术从源域(有标签)和目标域(无标签)中学习深度特征。Wang等人提出了一个可迁移模型来学习目标域的语义特征和判别性特征；Zhong等人同时考虑了相机的不变性和域连通性，以学习目标域中更广义的深度特征。第二类通过预测无标签行人图像的伪标签实现无监督的行人再识别。Wu等人提出了一种动态采样策略，逐步估计行人图像的标签，同时优化深度网络以此学习行人表示特征；Fan等人通过交替更新k-means聚类和CNN模型得到行人图像标签并学习有判别性的特征。对于复杂的行人图像，原始的特征空间具有高度的非线性和不可分性，此外，利用k-means聚类赋予无标签的行人图像单一的标签容易造成CNN的过拟合。
技术实现思路
本专利技术的目的是要解决原始特征空间的高度非线性和不可分性以及利用k-means聚类得到单一标签对无监督行人再识别结果影响较大的问题，为此，本专利技术提供一种基于模糊深度聚类的无监督行人再识别方法。为了实现所述目的，本专利技术提出一种基于模糊深度聚类的无监督行人再识别方法，所述方法包括以下步骤：步骤S1，确定行人图像特征提取网络模型，并利用所述行人图像特征提取网络模型对于行人图像提取行人图像特征，其中，所述行人图像为不带标签图像；步骤S2，构建模糊深度聚类网络并对其进行初始化；步骤S3，利用初始化后的模糊深度聚类网络学习新的特征空间和聚类中心，并为无标签的行人图像分配模糊标签；步骤S4，从带有模糊标签的行人图像中确定可靠性样本，并利用所述可靠性样本对于所述行人图像特征提取网络模型进行训练；步骤S5，交替训练所述模糊深度聚类网络和行人图像特征提取网络模型直至选择的可靠性样本达到饱和，得到训练完成的行人图像特征提取网络模型；步骤S6，获取测试行人图像，利用训练得到的行人图像特征提取网络模型提取所述测试行人图像的特征，通过计算所述测试行人图像的特征与图库中行人图像的特征之间的距离即可得到无监督行人再识别结果。可选地，所述步骤S1包括以下步骤：步骤S11，确定行人图像特征提取网络模型；步骤S12，获取不相关的带标签行人图像，并利用所述不相关的带标签行人图像对于所述行人图像特征提取网络模型进行初始化；步骤S13，利用初始化后的行人图像特征提取网络模型为不带标签的行人图像提取特征，得到第一特征其中，zi表示第i幅不带标签的行人图像的特征，N表示不带标签的行人图像的数量。可选地，所述步骤S2包括以下步骤：步骤S21，构建模糊深度聚类网络，其中，所述模糊深度聚类网络可构建为包含一个深度网络和一个聚类损失；步骤S22，对于所述模糊深度聚类网络进行初始化。可选地，所述步骤S22包括以下步骤：步骤S221，对于所述模糊深度聚类网络中的深度网络参数进行初始化；步骤S222，对于所述模糊深度聚类网络的聚类中心进行初始化。可选地，所述步骤S3包括以下步骤：步骤S31，利用初始化后的模糊深度聚类网络中的深度网络将所述第一特征映射到一个新的特征空间，学习得到新的行人图像特征第二特征步骤S32，利用模糊c均值聚类对于所述第二特征进行聚类得到聚类中心和多个集群，通过最小化模糊c均值聚类的目标函数对于所述聚类中心进行更新，并计算得到每幅行人图像到各个集群的隶属度；步骤S33，利用所述第二特征、更新的聚类中心和计算得到的隶属度计算得到聚类损失；步骤S34，利用所述聚类损失迭代更新所述模糊深度聚类网络中深度网络的参数和聚类中心，得到所述模糊深度聚类网络中深度网络的最优聚类中心；步骤S35，利用所述第二特征和最优聚类中心得到无标签行人图像的模糊标签。可选地，所述模糊c均值聚类的目标函数表示为：其中，N表示无标签行人图像的数量，K表示聚类中心的个数，m>0表示模糊系数，cj表示第j个聚类中心的特征向量，aij表示第i个行人图像到第j个集群的隶属度，为约束项，表示每幅行人图像到所有集群的隶属度之和为1。可选地，所述步骤S33包括以下步骤：步骤S331，基于所述第二特征、更新的聚类中心和计算得到的隶属度，计算模糊分配fij；步骤S332，根据所述模糊分配fij计算得到目标分配；步骤S333，利用所述模糊分配和目标分配的KL散度计算得到聚类损失。可选地，所述步骤S35中，将根据所述第二特征和所述最优聚类中心计算得到的模糊分配定义为所述无标签行人图像的模糊标签。可选地，所述步骤S4中，选择置信度高于一预设阈值的带有模糊标签的行人图像作为所述可靠性样本。可选地，所述步骤S4包括以下步骤：步骤S41，选择置信度高于一预设阈值的带有模糊标签的行人图像作为可靠性样本；步骤S42，利用带有模糊标签的可靠性样本训练所述行人图像特征提取网络模型。本专利技术的有益效果为：本专利技术利用模糊深度聚类网络学习新的特征空间，新的特征空间有利于复杂行人图像的聚类和模糊标签的分配，并利用带模糊标签的可靠性样本训练ResNet-50网络，使得ResNet-50网络训练过程规范平滑，减少过度拟合的风险，从而提高无监督行人再识别匹配的正确率。需要说明的是，本专利技术得到了国家自然科学基金项目No.61501327、No.61711530240、No.61501328，天津市自然科学基金重点项目No.17JCZDJC30600，天津师范大学“青年科研拔尖人才培育计划”No.135202RC1703，模式识别国家重点实验室开放课题基金No.201700001、No.201800002，中国国家留学基金No.201708120040、No.201708120039的资助。附图说明图1是根据本专利技术一实施例的一种基于模糊深度聚类的无监督行人再识别方法的流程图；图2是根据本专利技术一实施例交替训练模糊深度聚类网络和ResNet-50网络实现无监督行人再识别的结构流程图；图3是根据本专利技术一实施例的模糊深度聚类网络中深度网络的结构框图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本专利技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。此外，在以下说明中，省略了对公本文档来自技高网...

【技术保护点】
1.一种基于模糊深度聚类的无监督行人再识别方法，其特征在于，该方法包括以下步骤：步骤S1，确定行人图像特征提取网络模型，并利用所述行人图像特征提取网络模型对于行人图像提取行人图像特征，其中，所述行人图像为不带标签图像；步骤S2，构建模糊深度聚类网络并对其进行初始化；步骤S3，利用初始化后的模糊深度聚类网络学习新的特征空间和聚类中心，并为无标签的行人图像分配模糊标签；步骤S4，从带有模糊标签的行人图像中确定可靠性样本，并利用所述可靠性样本对于所述行人图像特征提取网络模型进行训练；步骤S5，交替训练所述模糊深度聚类网络和行人图像特征提取网络模型直至选择的可靠性样本达到饱和，得到训练完成的行人图像特征提取网络模型；步骤S6，获取测试行人图像，利用训练得到的行人图像特征提取网络模型提取所述测试行人图像的特征，通过计算所述测试行人图像的特征与图库中行人图像的特征之间的距离即可得到无监督行人再识别结果。

【技术特征摘要】
1.一种基于模糊深度聚类的无监督行人再识别方法，其特征在于，该方法包括以下步骤：步骤S1，确定行人图像特征提取网络模型，并利用所述行人图像特征提取网络模型对于行人图像提取行人图像特征，其中，所述行人图像为不带标签图像；步骤S2，构建模糊深度聚类网络并对其进行初始化；步骤S3，利用初始化后的模糊深度聚类网络学习新的特征空间和聚类中心，并为无标签的行人图像分配模糊标签；步骤S4，从带有模糊标签的行人图像中确定可靠性样本，并利用所述可靠性样本对于所述行人图像特征提取网络模型进行训练；步骤S5，交替训练所述模糊深度聚类网络和行人图像特征提取网络模型直至选择的可靠性样本达到饱和，得到训练完成的行人图像特征提取网络模型；步骤S6，获取测试行人图像，利用训练得到的行人图像特征提取网络模型提取所述测试行人图像的特征，通过计算所述测试行人图像的特征与图库中行人图像的特征之间的距离即可得到无监督行人再识别结果。2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括以下步骤：步骤S11，确定行人图像特征提取网络模型；步骤S12，获取不相关的带标签行人图像，并利用所述不相关的带标签行人图像对于所述行人图像特征提取网络模型进行初始化；步骤S13，利用初始化后的行人图像特征提取网络模型为不带标签的行人图像提取特征，得到第一特征其中，zi表示第i幅不带标签的行人图像的特征，N表示不带标签的行人图像的数量。3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括以下步骤：步骤S21，构建模糊深度聚类网络，其中，所述模糊深度聚类网络可构建为包含一个深度网络和一个聚类损失；步骤S22，对于所述模糊深度聚类网络进行初始化。4.根据权利要求3所述的方法，其特征在于，所述步骤S22包括以下步骤：步骤S221，对于所述模糊深度聚类网络中的深度网络参数进行初始化；步骤S222，对于所述模糊深度聚类网络的聚类中心进行初始化。5.根据权利要求1所述的方法，其特征在于，所述步骤S3包括以下...

【专利技术属性】
技术研发人员：张重，黄美艳，刘爽，石明珠，
申请(专利权)人：天津师范大学，
类型：发明
国别省市：天津,12