【技术实现步骤摘要】
一种无监督行人重识别方法、装置、电子设备及存储介质
本专利技术属于人工智能及计算机视觉
，尤其涉及一种无监督行人重识别方法、装置、电子设备及存储介质。
技术介绍
随着城市化进程的加快，公共安全已成为了人们日益关注的焦点和需求。大学校园、主题公园、医院、街道等许多重要的公共卫生区域都广泛覆盖了监控摄像头，为利用计算机视觉技术自动化监控创造了良好的客观条件。近年来，行人重识别作为视频监控领域的一个重要研究方向，日益受到人们的关注。具体来说，行人重识别是指在跨摄像头、跨场景下利用计算机视觉技术判断图像或视频序列中是否存在特定行人的技术。作为人脸识别技术的重要补充，该技术能够根据行人的穿着、体态、发型等信息认知行人，在实际监控场景下对无法获取清晰拍摄人脸的行人进行跨摄像头连续跟踪，增强数据的时空连续性，有助于节省大量的人力物力，具有重要的研究意义。得益于深度神经网络的快速发展，基于监督式深度学习的行人重识别技术已经能够在主流公开数据集上达到非常高的识别率。在公开的Market-1501数据集上，rank1（首位...
【技术保护点】
1.一种无监督行人重识别方法，其特征在于，包括：/n预训练步骤，用于在带标签的源域数据集中用监督式学习的方法预训练深度行人重识别模型；/n训练特征提取步骤，用于利用预训练好的深度行人重识别模型提取无标签目标域中训练集样本的训练特征；/n划分步骤，用于根据所述训练特征，基于自适应聚类的方法将目标域训练集样本分为若干簇，并分配对应的伪标签；/n再训练步骤，用于分别将每个簇定为一个原型，簇中的样本为原型中的可视样本，计算可视样本与原型中心的距离，挑选出所述距离小于设定阈值的可视样本，根据挑选的可视样本对所述的训练特征进行筛选，得到筛选后的训练特征，利用筛选后的训练特征和分配好的伪...
【技术特征摘要】
1.一种无监督行人重识别方法，其特征在于，包括：
预训练步骤，用于在带标签的源域数据集中用监督式学习的方法预训练深度行人重识别模型；
训练特征提取步骤，用于利用预训练好的深度行人重识别模型提取无标签目标域中训练集样本的训练特征；
划分步骤，用于根据所述训练特征，基于自适应聚类的方法将目标域训练集样本分为若干簇，并分配对应的伪标签；
再训练步骤，用于分别将每个簇定为一个原型，簇中的样本为原型中的可视样本，计算可视样本与原型中心的距离，挑选出所述距离小于设定阈值的可视样本，根据挑选的可视样本对所述的训练特征进行筛选，得到筛选后的训练特征，利用筛选后的训练特征和分配好的伪标签对预训练好的深度行人重识别模型进行再训练，得到更新参数后的深度行人重识别模型；
识别步骤，用于将目标域的查询集和待选集输入到更新参数后的深度行人重识别模型中，分别得到查询集图片的测试特征和待选集图片的测试特征，计算二者在度量空间的相似度，根据相似度从待选集中识别出符合查询图片要求的待选图片。
2.根据权利要求1所述的一种无监督行人重识别方法，其特征在于，还包括：
迭代收敛步骤，用于重复训练特征提取步骤、划分步骤和再训练步骤，更新迭代权重，直至收敛。
3.根据权利要求1所述的一种无监督行人重识别方法，其特征在于，根据所述的训练特征，利用自适应聚类的方法将目标域行人图像分为若干簇，并分配对应的伪标签，包括：
根据训练特征计算目标域训练集行人图像两两之间的距离，形成距离矩阵；
基于所述的距离矩阵，利用基于密度的自适应聚类算法对目标域训练集行人图像进行无监督聚类，生成若干簇；
无监督聚类之后，给目标域训练集中的每个样本分配相应的伪标签。
4.根据权利要求1所述的一种无监督行人重识别方法，其特征在于，分别将每个簇定为一个原型，簇中的样本为原型中的可视样本，计算原型中可视样本与原型中心的距离，挑选出所述距离小于设定阈值的可视样本，根据挑选的可视样本对所述的训练特征进行筛选，得到筛选后的训练特征，利用筛选后的训练特征和分配好的伪标签对预训练好的深度行人重识别模型进行再训练，得到更新参数后的深度行人重识别模型，包括：
将第个簇设定为一个原型，其中，，为簇的个数，簇中每个对象设定为原型的可视样本，计算对应的原型中心；
计算原型中可视样本与原型中心的距离，形成距离向量，中第个元素代表与原型中心的距离；
在中选出小于阈值的可视样本，挑选方式如下：
其中，代表原型挑选出的可视样本，为设置的距离阈值，代表示性函数，若成立则为1，反之，则为0；
利用挑选好的样本对所述的训练特征进行相应的筛选，得到挑选后的训...
【专利技术属性】
技术研发人员：陆易，叶喜勇，王军，徐晓刚，何鹏飞，张文广，
申请(专利权)人：之江实验室，
类型：发明
国别省市：浙江;33
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。