基于正则化约束的半监督行人重识别方法及装置制造方法及图纸

本发明专利技术公开了基于正则化约束的半监督行人重识别方法及装置，该方法包括：对行人重识别模型进行训练；将待识别图像输入第一神经网络或者第二神经网络进行行人重识别；其中，行人重识别模型的训练过程包括：将有标签图像数据和无标签图像数据同时输入第一神经网络和第二神经网络；计算第一神经网络输出值的第一约束函数和第二约束函数；基于第一约束函数和第二约束函数对第一神经网络进行参数更新，并即时基于更新后的第一神经网络参数更新第二神经网络参数，完成行人重识别模型训练。本发明专利技术与当前常用的半监督行人重识别方法相比较，能更有效的利用无标签数据的信息，可以进一步提升算法效果。

【技术实现步骤摘要】
基于正则化约束的半监督行人重识别方法及装置
本专利技术涉及识别
，尤其涉及基于正则化约束的半监督行人重识别方法及装置。
技术介绍
行人的重识别是一项极具挑战性的检测与识别任务，重点是给定一个行人的图像，从底库中检索该行人在不同场合下的图像进行识别。目前由于绝大多数行人重识别模型是基于监督学习下去检索行人，而这过程需要大量的带标签的训练数据，且获得高质量的带标签的行人重识别是非常耗时耗力的，这使得监督学习下的行人重识别方法的实际应用价值大大降低。另一方面深度卷积神经网络容易过度拟合小数据集，导致学习到的特征表示或相似度函数不能很好地推广到测试集，成为监督学习下的行人重识别算法中的主要瓶颈，从而影响了行人重识别的应用。
技术实现思路
针对上述现有技术存在的问题，本专利技术提供了基于正则化约束的半监督行人重识别方法，通过对未标记数据进行数据增广处理，然后输入分类器，训练时使预测结果保持一致，将此规则作为损失函数的正则项，实现基于正则化约束的半监督图像识别，该方法结构简单，便于训练。本专利技术的第一方面提供了一种基于正本文档来自技高网...

【技术保护点】
1.基于正则化约束的半监督行人重识别方法，其特征在于，包括：/n对行人重识别模型进行训练，所述行人重识别模型包括结构完全相同的第一神经网络和第二神经网络；/n将待识别图像输入第一神经网络或者第二神经网络进行行人重识别；/n其中，行人重识别模型的训练过程包括：/n(1)将有标签图像数据和无标签图像数据同时输入第一神经网络和第二神经网络；/n(2)基于有标签图像数据输入第一神经网络后的输出结果计算第一神经网络输出值的第一约束函数，基于有标签和无标签图像数据中的同一张图像输入第一神经网络和第二神经网络的输出结果一致为第一神经网络输出值的第二约束函数；/n(3)基于第一约束函数和第二约束函数对第一神经...

【技术特征摘要】
1.基于正则化约束的半监督行人重识别方法，其特征在于，包括：
对行人重识别模型进行训练，所述行人重识别模型包括结构完全相同的第一神经网络和第二神经网络；
将待识别图像输入第一神经网络或者第二神经网络进行行人重识别；
其中，行人重识别模型的训练过程包括：
(1)将有标签图像数据和无标签图像数据同时输入第一神经网络和第二神经网络；
(2)基于有标签图像数据输入第一神经网络后的输出结果计算第一神经网络输出值的第一约束函数，基于有标签和无标签图像数据中的同一张图像输入第一神经网络和第二神经网络的输出结果一致为第一神经网络输出值的第二约束函数；
(3)基于第一约束函数和第二约束函数对第一神经网络进行参数更新，并即时基于更新后的第一神经网络参数更新第二神经网络参数；
(4)重复(1)-(3)直至(2)中的第一约束函数和第二约束函数的融合结果满足收敛条件，完成行人重识别模型训练。


2.根据权利要求1所述的基于正则化约束的半监督行人重识别方法，其特征在于，所述第一约束函数获取方法包括：
对于每个有标签图像在有标签图像数据集中随机选择一个同类标签的样本和一个不同类标签的样本组成一个三元训练样本；
基于一个三元训练样本输入到第一神经网络后获得输出基于输出的趋向于与一致同时趋向于与不一致为约束条件，获得三元组损失函数L1；
基于和有标签图像的标签数据计算得到交叉熵损失函数L2；
基于有标签图像输入到第一神经网络后获得输出时的网络权重参数θ的矩阵与正交矩阵的损失值计算得到第一正交约束函数LOW；
基于有标签图像输入到第一神经网络过程中全部隐藏层输出的隐藏特征矩阵与正交矩阵的损失值计算得到第二正交约束函数LOF；
基于三元组损失函数、交叉熵损失函数、第一正交约束函数、第二正交约束函数进行加权和得到第一约束函数为：



其中，表示有标签图像，表数无标签图像，表示有标签图像在第一神经网络权重参数为θ的情况下输入到第一神经网络得到的输出结果，表示无标签图像在第一神经网络权重参数为θ的情况下输入到第一神经网络得到的输出结果，表示有标签图像在第二神经网络权重参数为θ′的情况下输入到第二神经网络得到的输出结果，表示无标签图像在第一神经网络权重参数为θ′的情况下输入到第二神经网络得到的输出结果，βtr，βOF，βOW是超参数。


3.根据权利要求2所述的基于正则化约束的半监督行人重识别方法，其特征在于，所述第一正交约束函数获取方法包括：
基于第一神经网络的每层权重参数作为一个向量，基于第一神经网络的所有层权重参数获得一个格拉姆矩阵F，
基于格拉姆矩阵F乘格拉姆矩阵的转置趋向于与拉姆矩阵的转置乘以格拉姆矩阵为约束条件得到第一正交约束函数LOW为：

其中，η、λ1、λ2为系数。


4.根据权利要求2所述的基于正则化约束的半监督行人重识别方法，其特征在于，所述基于有标签和无标签图像数据中的同一张图像输入第一神经网络和第二神经网络的输出结果一致为第一神经网络输出值的第二约束函数，第二约束函LE为：



其中，(h,w)表示图像的每个像素点。


5.根据权利要求1所述的基于正则化约束的半监督行人重识别方法，其特征在于，所述第一神经网络和第二神经网络对输入的图像数据的处理过程一致，包括：
将图像数据输入第一卷积层网络得到第一图像特征图，每个所述卷积层中加入了权重正交化层；
基于第一...

【专利技术属性】
技术研发人员：吕刚，蒋鹏飞，年福东，吴超，周铜，徐珊珊，赵浩，梅益，
申请(专利权)人：合肥学院，
类型：发明
国别省市：安徽;34