一种基于生成网络的行人重识别数据生成和扩充方法技术

本发明专利技术提供了一种基于生成网络的行人重识别数据生成和扩充方法，步骤为：利用视频预测网络生成新的行人视频帧样本。利用深度生成对抗网络进行端到端的行人背景变换数据生成。利用不同的数据生成方法进行行人数据集的广度和丰富性的扩充。将扩充的数据集送入特征提取网络中提取特征并用欧氏距离评估性能。本方法同时考虑了行人的类内和类间数据扩充，联合利用了不同的生成网络生成更多更丰富的样本，扩充的数据集具有很好的多样性和鲁棒性，能更好的解决与适应由于样本数量不足和背景干扰带来的性能损失，具有普遍的适用性，扩充的数据集在下一步的行人识别中能发挥更好的性能及效率。

【技术实现步骤摘要】
一种基于生成网络的行人重识别数据生成和扩充方法
本专利技术属于计算机视觉
，具体为一种基于生成网络的行人重识别数据生成和扩充方法，尤其是涉及一种适合于行人重识别中提升识别性能的数据生成和扩充方法。
技术介绍
行人重识别是智能视频监控中的一项关键任务，是近年来计算机视觉领域中一直备受关注的研究热点，适用于安防以及公共场所寻人等
行人重识别可定义为：在无重叠的视频监控网络中，对于摄像头中给定的某个行人，判断其是否出现在其他摄像头中的过程。它是一种自动的目标识别技术，能在监控网络中快速定位到感兴趣的人体目标，是智能视频监控和人体行为分析等应用中的重要步骤。现有的深度行人重识别网络，基于训练数据与待测试数据是独立同分布的思想，用当前的训练数据来对将来的数据进行估计与模拟。因此不充分的训练数据集会给网络性能带来很大的影响，使得训练时准确率较高，测试时表现很差。这种现象被称为过拟合。由于现有行人重识别数据集普遍过小，不足以满足深度网络训练要求，往往更容易导致过拟合从而带来性能损失。现有的方法分为三种，一是提出收集更多的标注数据从而对数据集进行扩充(参见J.Ponce，T.L.Ber本文档来自技高网...

【技术保护点】
一种基于生成网络的行人重识别数据生成和扩充方法，其特征在于：包括以下步骤：第一步：基于无监督的视频预测生成网络，形成行人视频预测生成网络P；第二步：对行人视频中的每一个图像序列s＝(s

【技术特征摘要】
1.一种基于生成网络的行人重识别数据生成和扩充方法，其特征在于：包括以下步骤：第一步：基于无监督的视频预测生成网络，形成行人视频预测生成网络P；第二步：对行人视频中的每一个图像序列s＝(s0，...，sT-1)，均经过第一步中的行人视频预测生成网络P生成新的视频帧序列p＝(p0，...，pT-1)，并同原始视频帧计算生成目标损失函数L并反传进行优化迭代，得到最优模型；其中，sT-1表示第T帧原始图像，pT-1表示第T帧预测图像，上标T表示序列长度；第三步：在整个待扩充行人数据集上对第二步得到的最优模型进行应用，对待扩充行人数据集中的每一个行人视频帧，优化得到新的预测帧，并加入到待扩充行人数据集中进行类内视频长度的扩充，得到类内生成数据，用于减少由于数据量不足带来的过拟合现象；第四步：基于传统生成对抗网络，形成行人图片生成对抗网络N，其中行人图片生成对抗网络N包含主要由卷积网络构成的生成单元G和描述单元D；第五步：对待扩充行人数据集中的每一张输入图片s(t)，均经过第四步中的行人图片生成对抗网络N的生成单元G，通过生成单元G生成新的图片o(t)；第六步：对待扩充行人数据集中的每一张输入图片s(t)所对应的原始背景替换图y(t)和对应的生成图片o(t)，均经过第四步中的行人图片生成对抗网络N的描述单元D，通过描述单元D中的损失函数LC(G，D)判别二者的差异损失，并将损失函数LC(G，D)分别反向传播于生成单元G和描述单元D进行对抗迭代优化；第七步：加入一范数损失函数，用于减少生成图片的模糊程度；第八步：最大化描述单元D的损失，用于使网络能够区分生成图片和原始图片；最小化生成单元G的损失，用于使生成图片能够接近原始图片；进行第六步的对抗迭代优化，得到最优的端到端的背景替换数据生成模型G*；第九步：应用第八步的背景替换数据生成模型G*得到新的端到端的背景替换生成图片；将背景替换生成图片加入待扩充行人数据集中进行类间数据扩充，得到类间生成数据，用于增加数据集的多样性，减少背景干扰；第十步：利用第三步得到的类内生成数据和第九步得到的类间生成数据对待扩充行人数据集进行扩充，得到最终的扩充数据集，并将最终的扩充数据集送入特征提取网络中提取特征并用欧氏距离评估性能。2.根据权利要求1所述的基于生成网络的行人重识别数据生成和扩充方法，其特征是：第一步中，所述行人视频预测生成网络P包含四个主要由卷积网络构成的单元，分别为：输入卷积单元A、循环卷积单元R、输出预测单元以及损失计算单元E，其中：所述输入卷积单元A用于接收并对输入图片进行卷积操作；所述循环卷积单元R用于对输入图片进行循环卷积操作，并保留序列信息；所述输出预测单元用于预测对应图像的输出；所述损失计算单元E用于计算输入图像和预测图像之间的性能损失；所述输入卷积单元A、循环卷积单元R、输出预测单元以及损失计算单元E的输出分别为：

【专利技术属性】
技术研发人员：杨华，陈琳，高志勇，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31