基于类别自适应聚类的无监督行人重识别方法技术

本发明专利技术提供了一种基于类别自适应聚类的无监督行人重识别方法。首先，为无标签数据集预分配初始化标签，利用CNN模型提取行人图像的高维特征；然后，对特征集合进行阶段性类别自适应聚类，更新图像标签并计算该阶段聚类结果的平均轮廓系数，并交替更新特征提取CNN模型和类别自适应聚类模型，直至平均轮廓系数出现拐点；最后，利用训练得到的拐点处CNN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重识别结果。本发明专利技术可以解决无标记数据集行人重识别任务中个体数目无法确定的问题，能够动态地适应不同规模数据集，具有较高的算法效率和精度。

【技术实现步骤摘要】
基于类别自适应聚类的无监督行人重识别方法
本专利技术属计算机视觉、行人重识别
，具体涉及一种基于类别自适应聚类的无监督行人重识别方法。
技术介绍
随着城市人口的不断增长，社会公共安全问题越来越受到人们的重视，当前在许多公共场所都覆盖有大规模的网络摄像头，是监控安防的重要保障。为了提升网络摄像头的安防智能水平，行人重识别技术是如今视觉分析领域的研究热点，得到了学术界的广泛重视。行人重识别旨在非重叠视角域多摄像头网络下进行的行人匹配，即确认不同位置的摄像头在不同的时刻拍摄到的行人目标是否为同一人。行人重识别问题可以转化为计算样本的相似度(或者距离)，然后根据相似度(或者距离)对样本进行排序，进而找到与查询样本属于同一个人的图像。然而，行人重识别的研究面临着诸如图像分辨率低、视角变化、姿态变化、光线变化以及遮挡等带来的诸多挑战。当前行人重识别方法主要通过基于特定场景下大量带标签的视频图像数据训练一个稳定可靠的模型，这类监督学习方法忽略了在实际应用中模型对新场景的适应性，并且需要大量的手工标注数据，而手工标注工作是昂贵的，不适用于大规模的本文档来自技高网...

【技术保护点】
1.一种基于类别自适应聚类的无监督行人重识别方法，其特征在于步骤如下：/n步骤1：将待处理行人图像集合划分为训练集和测试集；/n步骤2：为训练集中所有图像预分配初始标签；/n步骤3：将训练集中所有图像输入CNN模型，提取得到数据集的行人特征；/n步骤4：将log对数损失作为目标优化函数训练CNN模型至模型收敛；/n步骤5：对步骤2得到的特征空间中的特征集合进行类别自适应聚类，将相似的图像分到同一簇中，重新分配图像的标签；/n步骤6：计算本阶段类别自适应聚类的平均轮廓系数；/n步骤7：将执行一次步骤3-6的计算记为一个阶段，按照ds＝S

【技术特征摘要】
1.一种基于类别自适应聚类的无监督行人重识别方法，其特征在于步骤如下：
步骤1：将待处理行人图像集合划分为训练集和测试集；
步骤2：为训练集中所有图像预分配初始标签；
步骤3：将训练集中所有图像输入CNN模型，提取得到数据集的行人特征；
步骤4：将log对数损失作为目标优化函数训练CNN模型至模型收敛；
步骤5：对步骤2得到的特征空间中的特征集合进行类别自适应聚类，将相似的图像分到同一簇中，重新分配图像的标签；
步骤6：计算本阶段类别自适应聚类的平均轮廓系数；
步骤7：将执行一次步骤3-6的计算记为一个阶段，按照ds＝Sk-Sk-l计算当前第k个训练阶段与第k-l个训练阶段的差值，l为预设步长，取值范围为[1,3]；设定差值变化阈值ds0，取值范围为[-100,100]，如果ds≥ds0，返回步骤3并重复步骤3-6，进入下一阶段训练网络和类别自适应聚类过程；如果ds＜ds0，则停止训练，根据此时得到的阶段聚类结果，以各阶段聚类簇数为横坐标，平均轮廓系数为纵坐标，画出评估系数曲线图，曲线图拐点处所对应的聚类簇数即为最佳聚类簇数，此时得到的模型为该数据集上最佳CNN模型；所述的训练阶段序号k的初始值为1，进入下一阶段时，k值加1；
步骤8：将测试集图像输入步骤7所得的最佳CNN模型提取图像的行人特征，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重识别结果。


2.如权利要求1所述的一种基于类别自适应聚类的无监督行人重识别方法，其特征在于步骤2的具体过程如下：为训练集中的每一幅图像预分配一个无行人身份信息的初始标签，设训练集为X＝{x1,x2,…,xN}，xi表示第i幅图像，初始标签集合为表示图像xi的初始标签，i＝1，2，......N。


3.如权利要求1所述的一种基于类别自适应聚类的无监督行人重识别方法，其特征在于步骤3的具体过程如下：将分配了初始标签的训练集所有图像输入到选定的CNN模型，对于第i幅图像xi提取得到行人特征φi(xi)，形成一个特征空间V(φ1，φ2，φ3，...，φN)T；所述的选定的CNN模型为ImageNet预训练的ResNet50模型，删除其最后一层分类层，并增加一个全连接层，输出维度为当前阶段训练集中的簇数目。


4.如...

【专利技术属性】
技术研发人员：冉令燕，王夏洪，张艳宁，吕艳兵，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61