基于深度聚类和样例学习的无监督行人重识别方法及系统技术方案

本发明专利技术公开了一种基于深度聚类和样例学习的无监督行人重识别方法及系统，包括：分别获取有监督源域的数据集，以及包含自然图像和不同相机风格图像的无监督目标域数据集；构建包含源域数据集分支网络和目标域数据集分支网络的网络结构；同时确定每一个分支网络的损失函数；将源域数据集和目标域数据集分别输入到网络结构中的两个分支网络；基于每一个分支网络的损失函数对所述网络结构进行优化训练；将待识别图像输入到训练好的网络结构中，由网络输出数据的预测分类，以实现对待识别图像的行人重识别。本发明专利技术将源域数据集和目标域数据集分支路网络进行训练，既考虑了源域数据和目标域数据之间的差异，又考虑了目标域数据之间的域内变化。

【技术实现步骤摘要】
基于深度聚类和样例学习的无监督行人重识别方法及系统
本专利技术涉及行人重识别
，尤其涉及一种基于深度聚类和样例学习的无监督行人重识别方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。行人重识别技术(Person-ReID)，也称为行人检索技术，是一种利用计算机视觉技术来确定一个特定的人是否和一张图像或视频序列中的技术。一般来说，给定一张行人图像，需要从各个设备中检索出为同一身份的行人图像，因此，行人重识别问题也被广泛认为是图像检索的一个子问题。行人重识别技术结合行人检测、行人跟踪技术，在公安侦查、智能安防、智能视频监控等领域具有很高的应用价值。行人重识别技术的研究开始于多摄像机跟踪技术，近几年来，随着卷积神经网络(CNN)和其他深度学习(DL)方法的进步，该技术取得了显著的进展。行人重识别技术主要包括有监督行人重识别和无监督行人重识别，有监督行人重识别主要是在数据集全部带有标签的情况下进行的，目前能够取得非常高的准确率，然而，有监督的数据集的数量往往是有限的，并且在有监督数本文档来自技高网...

【技术保护点】
1.基于深度聚类和样例学习的无监督行人重识别方法，其特征在于，包括：/n分别获取有监督源域的数据集，以及包含行人自然图像和不同相机风格图像的无监督目标域数据集；/n构建包含源域数据集分支网络和目标域数据集分支网络的行人重识别网络结构；同时确定每一个分支网络的损失函数；/n将源域数据集和目标域数据集分别输入到网络结构中的两个分支网络；/n基于每一个分支网络的损失函数对所述网络结构进行优化训练；/n获取待识别的行人图像，将待识别的行人图像输入到训练好的网络结构中，输出数据的预测分类结果，以实现对待识别行人图像的行人重识别。/n

【技术特征摘要】
1.基于深度聚类和样例学习的无监督行人重识别方法，其特征在于，包括：
分别获取有监督源域的数据集，以及包含行人自然图像和不同相机风格图像的无监督目标域数据集；
构建包含源域数据集分支网络和目标域数据集分支网络的行人重识别网络结构；同时确定每一个分支网络的损失函数；
将源域数据集和目标域数据集分别输入到网络结构中的两个分支网络；
基于每一个分支网络的损失函数对所述网络结构进行优化训练；
获取待识别的行人图像，将待识别的行人图像输入到训练好的网络结构中，输出数据的预测分类结果，以实现对待识别行人图像的行人重识别。


2.如权利要求1所述的基于深度聚类和样例学习的无监督行人重识别方法，其特征在于，所述网络结构包括：主干网络以及分别与主干网络连接的源域数据集分支网络和目标域数据集分支网络；所述源域数据集分支网络包括依次连接的全连接层和Softmax回归层；所述目标域数据集分支网络包括并行连接的聚类模块和样例记忆力模块。


3.如权利要求2所述的基于深度聚类和样例学习的无监督行人重识别方法，其特征在于，所述样例记忆力模块作为目标域数据集的分类层；所述样例记忆力模块存储的数据包括：每一张图片经过主网络提取并标准化化后的特征、每张图片的名字标签以及经过聚类模块后的聚类结果。


4.如权利要求2所述的基于深度聚类和样例学习的无监督行人重识别方法，其特征在于，在对网络训练了20个epoch后，主网络提取了所有无监督图像的特征，然后使用聚类模块对特征进行聚类，获取每个图像的伪标签；使用聚类获得的伪标签作为样例存储模块中样例的标签，来更新网络。


5.如权利要求1所述的基于深度聚类和样例学习的无监督行人重识别方法，其特征在于，所述源域数据集分支网络的损失函数为交叉熵损失函数，以实现尽可能的正确分类，保持行人的原始身份。


6.如权利要求1所述的基于深度聚类和样例学习的无监督行人重...

【专利技术属性】
技术研发人员：张化祥，邵伟卓，刘丽，朱磊，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37