【技术实现步骤摘要】
一种无监督的跨域行人重识别方法及系统
本专利技术涉及图像识别
，具体涉及一种无监督的跨域行人重识别方法及系统。
技术介绍
行人重识别旨在依据所提供的兴趣目标图像，跨不同摄像机检索与之身份标签一致的其他图像。由于行人重识别技术在实际应用中的重要作用，例如智能视频监控和基于内容的图像检索等，其受到了研究人员以及工业界的广泛关注。目前，伴随有标记的大规模行人重识别数据集的问世，如Market1501、CUHK、DukeMTMC-reID和RAP等，以及深度学习技术的飞速发展，有监督行人重识别的性能得到了极大的提升，例如MGN在Market1501数据集上已经取得了超过人类的识别性能。然而，在实际应用场景中往往很难获取大规模有身份标签的数据，甚至没有标记数据，即无监督行人重识别，如何在上述情况下依然获得理想的识别性能，还值得进一步的研究。无监督行人重识别可以分为两大类，即单域无监督行人重识别和跨域无监督行人重识别。对于单域无监督行人重识别，这类方法通常关注于学习判别特征或者是开发有效的相似性度量。这些方法中，要么利用手工设计的特征来表达行人图像，例如，颜色直方图、局...
【技术保护点】
1.一种无监督的跨域行人重识别方法，其特征是，该方法包括以下步骤：获取源域中有身份标签的训练图像数据和目标域中无身份标签的训练图像数据，并构建源域训练集和目标域训练集；将源域训练集中训练图像转换到目标域，生成与目标域相关的图像数据；利用生成的图像数据，训练初始的行人重识别模型；基于训练好的行人重识别模型，提取目标域训练集中每张训练图像的局部特征；利用提取的局部特征，对目标域训练集中训练图像数据进行聚类分析；基于聚类分析结果确定目标域训练集中最优训练样本；利用生成的图像数据和确定的最优训练样本，重新训练行人重识别模型，依次重复，直到达到迭代停止条件，得到最终的行人重识别模型；...
【技术特征摘要】
1.一种无监督的跨域行人重识别方法，其特征是，该方法包括以下步骤：获取源域中有身份标签的训练图像数据和目标域中无身份标签的训练图像数据，并构建源域训练集和目标域训练集；将源域训练集中训练图像转换到目标域，生成与目标域相关的图像数据；利用生成的图像数据，训练初始的行人重识别模型；基于训练好的行人重识别模型，提取目标域训练集中每张训练图像的局部特征；利用提取的局部特征，对目标域训练集中训练图像数据进行聚类分析；基于聚类分析结果确定目标域训练集中最优训练样本；利用生成的图像数据和确定的最优训练样本，重新训练行人重识别模型，依次重复，直到达到迭代停止条件，得到最终的行人重识别模型；获取目标域中待识别的图像数据，利用最终得到的行人重识别模型对待识别的图像数据进行识别。2.根据权利要求1所述的无监督的跨域行人重识别方法，其特征是，利用图像转换技术，将源域训练集中训练图像数据转换到目标域，保持源域中训练图像数据的身份信息不变，生成与目标域相关的图像数据。3.根据权利要求1所述的无监督的跨域行人重识别方法，其特征是，所述行人重识别模型的训练方法为：将生成的与目标域相关的图像数据或联合目标域中最优训练样本输入行人重识别网络，将网络最后卷积层输出的特征沿水平方向等分若干部分，每部分分别依次经过平均池化层、卷积层以及全连接层，并分别基于各自的损失函数进行训练，得到行人重识别模型。4.根据权利要求3所述的无监督的跨域行人重识别方法，其特征是，所述损失函数为：其中，i为训练图像的索引，N为训练图像的数目，为第i张训练图像的第p部分的特征，yi为第i张训练图像的身份标签，C为身份标签的类别数，和bj为身份标签j的分类器参数。5.根据权利要求1所述的无监督的跨域行人重识别方法，其特征是，所述目标域训练集中最优训练样本的确定方法为：计算目标域训练集中所有训练图像样本与聚类中心的余弦距离；比较得到的每个余弦距离与设定的阈值的大小，若余弦...
【专利技术属性】
技术研发人员：谭铁牛，王亮，张彰，李达，单彩峰，
申请(专利权)人：中科人工智能创新技术研究院青岛有限公司，
类型：发明
国别省市：山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。