一种基于样本分离的无监督行人重识别系统及方法技术方案

本发明专利技术涉及一种基于样本分离的无监督行人重识别系统及方法，属于行人重识别技术领域，解决了现有行人重识别方法识别精度低的问题。该系统包括，数据获取模块，获取多个源域样本子集和多个目标域样本子集；网络模型训练模块，用于获得分类损失函数和样本不变性损失函数，根据目标域样本子集中各行人图片间的相似度方差获得样本分离损失函数，根据目标域样本子集中正样本组、负样本组分别与存储的目标域样本间的相似度获得无监督三元组损失函数，进而对行人重识别网络模型进行迭代优化；重识别模块，根据优化好的行人重识别网络模型对待识别行人图片进行识别。该系统能够很好的区分目标域中正样本和负样本，从而降低网络精度损失，提高识别精度。

【技术实现步骤摘要】
一种基于样本分离的无监督行人重识别系统及方法
本专利技术涉及行人重识别
，尤其涉及一种基于样本分离的无监督行人重识别系统及方法。
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。现有的无监督域自适应行人重识别方法在使用目标域进行样本不变性学习，以及引入监督行人重识别的时候并没有很好的区分正样本以及负样本。而且由于在训练的过程中目标域数据缺乏标签，所以在无标签的状态下不能很好的进行行人重识别网络的训练。现有技术至少存在以下缺陷，现有的无监督域自适应网络由于目标域数据缺乏标签信息不能很好的区分正样本与负样本，此外，同一样本的正样本和负样本过于相似，不易区分，均会使行人重识别网络造成较大的识别损失，这种损失在行人重识别网本文档来自技高网...

【技术保护点】
1.一种基于样本分离的无监督行人重识别系统，其特征在于，包括：/n数据获取模块，用于获取源域样本集和目标域样本集，并分别随机分为多个源域样本子集和多个目标域样本子集；/n网络模型训练模块，用于获得行人重识别网络模型的分类损失函数和样本不变性损失函数，以及根据目标域样本子集中各行人图片间的相似度方差获得样本分离损失函数，还用于根据目标域样本子集中正样本组、负样本组分别与存储的目标域样本间的相似度获得无监督三元组损失函数；基于所述分类损失函数、样本不变性损失函数、样本分离损失函数及无监督三元组损失函数对所述行人重识别网络模型进行迭代优化；/n重识别模块，用于根据优化好的所述行人重识别网络模型对待识...

【技术特征摘要】
1.一种基于样本分离的无监督行人重识别系统，其特征在于，包括：
数据获取模块，用于获取源域样本集和目标域样本集，并分别随机分为多个源域样本子集和多个目标域样本子集；
网络模型训练模块，用于获得行人重识别网络模型的分类损失函数和样本不变性损失函数，以及根据目标域样本子集中各行人图片间的相似度方差获得样本分离损失函数，还用于根据目标域样本子集中正样本组、负样本组分别与存储的目标域样本间的相似度获得无监督三元组损失函数；基于所述分类损失函数、样本不变性损失函数、样本分离损失函数及无监督三元组损失函数对所述行人重识别网络模型进行迭代优化；
重识别模块，用于根据优化好的所述行人重识别网络模型对待识别行人图片进行识别，获得与该待识别行人图片属于同一行人的图片。


2.根据权利要求1所述的基于样本分离的无监督行人重识别系统，其特征在于，所述行人重识别网络模型包括残差网络结构、与分类损失函数相对应的依次连接的全连接层和Softmax归一化层、与样本不变性损失函数对应的L2标准化层、与样本分离损失函数对应的第一相似度衡量轴网络结构，与无监督三元组损失函数相对应的第二相似度衡量轴网络结构和第三相似度衡量轴网络结构，还包括存储器，分别与所述第一相似度衡量轴网络结构、第二相似度衡量轴网络结、第三相似度衡量轴网络结构连接；所述残差网络结构分别与所述全连接层、存储器连接。


3.根据权利要求1或2所述的基于样本分离的无监督行人重识别系统，其特征在于，所述网络训练模型具体通过下述方式获得目标域样本子集中各行人图片间的相似度方差：
将目标域样本子集输入行人重识别网络模型的残差网络结构中提取图像特征，以获取目标域样本子集中每一行人图片的特征，并进行存储；
将该目标域样本子集中每一行人图片的特征与已经存储的目标域样本每一行人图片的特征相乘获得对应的相似度：
di,j＝f(xt,i)*R[j]T，
其中，xt,i表示目标域样本子集输入行人重识别网络时输入顺序为i的行人图片，f(xt,i)表示行人图片xt,i的特征，R[j]表示存储的目标域样本中第j类行人图片的特征，di,j表示所述行人图片xt,i与所述第j类行人图片间的相似度；
通过下述公式获得所述目标域样本子集中的行人图片与已经存储的目标域样本行人图片间的平均相似度：



其中，b表示目标域样本子集中行人图片的数量，Nt表示存储的目标域样本行人图片的类别数，μ表示所述平均相似度；
根据所述平均相似度通过下述公式计算获得目标域样本子集中各行人图片间的相似度方差：



其中，δ表示所述相似度方差。


4.根据权利要求3所述的基于样本分离的无监督行人重识别系统，其特征在于，所述网络训练模型通过下述公式获得样本分离损失函数：
LTD＝ln(1+δ)，
其中，LTD表示样本分离损失函数。


5.根据权利要求3所述的基于样本分离的无监督行人重识别系统，其特征在于，所述网络训练模型通过下述方式获得目标域样本子集中正样本组、负样本组分别与存储的目标域样本间的相似度：
基于目标域样本子集中每一行人图片与已经存储的目标域样本每一行人图片的相似度将目标域样本子集中的行人图片进行降序排序，并按顺序从第一预设序位起选取第一预设数量的图片作为正样本组，从第二预设序位起选取第二预设数量的图片作为负样本组；
通过下述公式计算获得所述正样本组与存储的目标域样本间的相似度：






其中，p(j/xt,i')表示正样本组中第i'张行人图片xt,i'属于存储的目标域样本中第j类行人图片的概率，f(xt,i')表示行人图片xt,i'的特征，c表示所述正样本组中行人图片的数量，St表示正样本组与存储的目标域样本间的相似度，R[j]表示存储的目标域样本中第j类行人图片的特征，R[z]表示存储的目标域样本中第z类行人图片的特征，Nt表示存储的所有目标域样本中行人图片的类别数；
通过下述公式计算获得所述负样本组与存储的目标域样本间的相似度：

【专利技术属性】
技术研发人员：李佳函，李云龙，程德强，寇旗旗，张皓翔，韩成功，徐进洋，张云鹤，李超，
申请(专利权)人：中国矿业大学，江苏华图矿业科技有限公司，
类型：发明
国别省市：江苏;32