【技术实现步骤摘要】
一种基于对比学习的相机内有监督跨相机行人重识别方法
本专利技术属于计算机视觉
的一种跨相机行人图像处理方法,尤其是涉及了一种基于对比学习的相机内有监督跨相机行人重识别方法。
技术介绍
行人重识别要解决的问题是在不同的相机之间对同一个行人进行检索和匹配,也即跨相机行人重识别;由于行人重识别在安防、监控等方面的重要应用,这一任务在近几年吸引了工业界和学术界的广泛研究与关注。虽然行人重识别任务取得了较大的发展,但目前行人重识别模型和方法的高性能依赖于大量的标注数据;在实际应用场景中,由于行人繁多复杂,数据量大,对数据集进行完全标注十分昂贵,代价较高,限制了行人重识别技术在实际生产生活中的应用。在行人图片的标注过程中,最费时费力的往往是对跨相机行人的标注。而在同相机中,由于行人的轨迹大多在时间上具有连续性,对同一个相机下的行人进行行人标注是相对更为容易的。相机内有监督场景最早被提出是在ZhuXiangping等人发表在《ProceedingsoftheIEEEInternationalConferenceonComputerVisionWorkshops》的《Intra-camerasupervisedpersonre-identification:Anewbenchmark》文章中,这一场景假设行人编码标签是在每个相机内被独立标注的,而跨相机之间的行人关系未知。由于只有同相机内的行人标注信息,没有跨相机的行人关联信息,这一场景下的方法设计面临着一定的挑战,之前在这一场景下被提出的方法包 ...
【技术保护点】
1.一种基于对比学习的相机内有监督跨相机行人重识别方法,其特征在于,方法包括:/n(1)在同一场景区域采用多相机进行拍摄采集,每个相机拍摄的图片组成子图片集,由多个相机拍摄的子图片集组成待训练的行人图片集,对待训练的行人图片集处理获得每个图片的伪标签h;/n(2)将待训练的行人图片集以小批次训练方式输入到参考网络模型中进行训练,训练过程使用ADAM优化算法,使用渐进对比损失函数进行监督;/n(3)重复所述步骤(2)直至达到预设的批次训练数量num_batch,作为一个训练周期;/n(4)重复所述步骤(2)-(3)进行多次训练周期的训练,将多次训练周期的训练过程分为两个阶段,对参考网络模型进行迭代优化,直至迭代次数达到预设的训练迭代次总数num_epoch;/n(5)训练结束后,对训练所得的基础网络模型进行跨相机行人重识别应用。/n
【技术特征摘要】
1.一种基于对比学习的相机内有监督跨相机行人重识别方法,其特征在于,方法包括:
(1)在同一场景区域采用多相机进行拍摄采集,每个相机拍摄的图片组成子图片集,由多个相机拍摄的子图片集组成待训练的行人图片集,对待训练的行人图片集处理获得每个图片的伪标签h;
(2)将待训练的行人图片集以小批次训练方式输入到参考网络模型中进行训练,训练过程使用ADAM优化算法,使用渐进对比损失函数进行监督;
(3)重复所述步骤(2)直至达到预设的批次训练数量num_batch,作为一个训练周期;
(4)重复所述步骤(2)-(3)进行多次训练周期的训练,将多次训练周期的训练过程分为两个阶段,对参考网络模型进行迭代优化,直至迭代次数达到预设的训练迭代次总数num_epoch;
(5)训练结束后,对训练所得的基础网络模型进行跨相机行人重识别应用。
2.根据权利要求1所述的一种基于对比学习的相机内有监督跨相机行人重识别方法,其特征在于:所述(1)具体为:
(1.1)分别独立地对每个子图片集中标注每张图片的行人局部标签y和相机标签c,并根据每张图片的局部标签y和相机标签c处理获得每张图片的全局标签z;
(1.2)采用基础网络模型并预训练后修改获得参考网络模型,将待训练的行人图片集,构造行人记忆特征矩阵K并将其中的各个元素全零初始化,行人记忆特征矩阵的第p行表示全局标签的值为p的行人特征;
(1.3)对待训练的行人图片集,使用参考网络模型提取每张图片的图片特征,对具有相同全局标签zk的所有图片的图片特征进行平均,得到全局标签等于zk的行人的最新平均特征,进而得到各个行人的最新平均特征;
(1.4)以每个行人作为一个节点构造带权重的行人图,并采用所设计的基于相机内有监督约束的图分割方法将行人图划分成若干个子图,其中每个子图中有若干个行人的节点,对各个子图中的行人赋上伪标签h。
3.根据权利要求2所述的一种基于对比学习的相机内有监督跨相机行人重识别方法,其特征在于:所述步骤(1.1)中,所述行人图片集一共有来自C个相机的总共M张图片,经过相机内标注总共获得N个同相机标注行人,所述的同相机标注行人是在同一个相机下独立标注所获得的若干个行人中的任一个行人;
在第c个相机下子图片集一共有Mc张图片,每张图片具有相同的相机标签cc,相机标签cc为第c个相机的序数;每张图片根据行人的不同设置行人局部标签yk,行人局部标签yk为同相机标注行人的序数,第k张图片xk的行人局部标签yk取值范围是[0,Nc-1],Nc表示第c个相机下行人总数,由图片的行人局部标签yk和相机标签ck处理获得该图片的全局标签zk:
其中,k表示图片的序号。
4.根据权利要求2所述的一种基于对比学习的相机内有监督跨相机行人重识别方法,其特征在于:所述步骤(1.2)中,所述的基础网络模型采用ResNet-50神经网络,通过标准图片集进行预训练获得训练后的基础网络模型;然后再对训练后的基础网络模型保留除最后用于分类的全连接层之外的其余网络结构及参数作为参考网络模型;建立大小为N*d的行人记忆特征矩阵K,其中d为基础网络模型输出特征的维度,N为行人图片集中的同相机标注过行人的总数。
5.根据权利要求2所述的一种基于图指导对比学习的相机内有监督场景跨相机行人重识别方法,其特征在于:
所述步骤(1.4)中,以一个同相机标注行人作为一个节点,节点间通过边连接,以同相机标注行人间的不相似度作为边,从而构造带权重的行人图,表示为:
其中,表示所构造带权重的行人图包含的数据;表示所有节点的集合,每个节点表示一个同相机标注行人;ε={eij|i,j∈{1,2,...,N}}表示节点之间的边的集合,<>表示集合,C表示相机标签的集合,W表示节点间的不相似度的集合;eij表示同相机标注行人i和同相机标注行人j所在节点之间的边,w(eij)表示同相机标注行人i和同相机标注行人j之间的不相似度;
行人图中,节点之间的边eij表示为:
Dist(i,j)==||fa(i)-fa(j)||
其中,∧表示交集,T1代表预先设定的距离阈值,c(i)代表同相机标注行人i的相机标签;Dist(i,j)表示同相机标注行人i和同相机标注行人j之间的欧氏距离,fa(i)和fa(j)分别代表同相机标注行人i的最新平均特征和同相机标注行人j的最新平均特征,||*||代表欧氏距离;
所设计...
【专利技术属性】
技术研发人员:王梦琳,龚小谨,赖百胜,黄健强,华先胜,
申请(专利权)人:浙江大学,
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。