一种基于软化相似性学习的无监督行人重识别方法和系统技术方案

本发明专利技术涉及基于软化相似性学习的无监督行人重识别方法和系统，该方法中对无监督行人重识别模型的训练过程包括：利用图像自身索引为行人图像分配伪标签，将每张行人图像分为各自不同的类别；提取图像特征，计算特征距离，从而评估图像间的相似性；根据相似性，选取多张可靠图像，定义对应的可靠标签集，从而设定输入无监督行人重识别模型的查询图像的目标标签分布；对无监督行人重识别模型进行微调，并利用自适应矩估计优化算法迭代训练网络。与现有技术相比，本发明专利技术软化了目标标签分布，使得无监督行人重识别模型的训练过程中更好地确定聚类类别数目、避免聚类过程中的产生的硬量化损失，提升无监督行人重识别模型的识别准确性。性。性。

【技术实现步骤摘要】
一种基于软化相似性学习的无监督行人重识别方法和系统


[0001]本专利技术涉及无监督行人重识别
，尤其是涉及一种基于软化相似性学习的无监督行人重识别方法和系统。

技术介绍

[0002]行人的重识别方法是计算机视觉领域的重要研究方向之一。随着监控设备技术的日渐成熟，如何有效管理和监控所采集的海量数据成为目前备受关注的问题。所谓行人重识别，是指在照射区域无重叠的多摄像头下，匹配特定目标行人的识别工作，在现今大数据时代，尤其是智能视频监控等背景下具有重要意义。行人重识别本质上是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。由于视频清晰度等限制，在实际监控中很难通过直观的人脸等信息寻找同一目标，而利用行人穿着外貌等表观特征在视频监控中检索行人是比较可行的方法。然而，行人重识别目前面临着诸多挑战，比如同一目标在不同摄像头下受视角变化、光照变化、姿态变化、行人遮挡和背景噪声干扰等影响，使得不同视角下的特征表达存在一定程度的偏差。
[0003]基于监督学习的行人重识别方法原理是将行人图像作为网络的输入，将人工标注的行人身份标签作为模型的期望输出，从而训练模型提取行人图像的身份特征，并对行人身份分类。由于监督学习方法需要人工标注大量成对数据标签，但是在实际应用中，为每个应用场景标注大规模的数据集成本高昂，因此，该方法在实际应用中受到了较大限制。而无监督的方法不需要标注大量成对标签，数据获取相对容易。但是单纯的无监督行人重识别方法没有数据标签来为模型提供必要的信息，难以从行人图像中准确的提取与行人身份相关的特征，因此主流的无监督行人重识别方法的准确度一般较低。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在主流的无监督行人重识别方法确定聚类类别数目的困难性和聚类过程中的产生硬量化损失，因此识别准确度低的缺陷而提供一种基于软化相似性学习的无监督行人重识别方法和系统。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于软化相似性学习的无监督行人重识别方法，包括根据训练好的无监督行人重识别模型进行行人识别，所述无监督行人重识别模型的训练过程包括以下步骤：
[0007]S1：获取用于训练的无标签的行人图像，根据图像自身索引为行人图像分配伪标签，将每张行人图像分为各自的类别；
[0008]S2：从分配有伪标签的行人图像中提取图像特征；
[0009]S3：根据从行人图像中提取的图像特征，计算特征距离，从而评估图像间的相似性；
[0010]S4：根据步骤S3中评估的图像间的相似性，选取k张可靠图像，定义对应的可靠标签集，从而设定输入无监督行人重识别模型的查询图像的目标标签分布；
[0011]S5：根据所述目标标签分布对所述无监督行人重识别模型进行微调，并利用自适应矩估计优化算法迭代训练网络，最终得到训练好的无监督行人重识别模型。
[0012]进一步地，所述目标标签分布的表达式为：
[0013][0014]式中，y
i
为查询图像x
i
对应的目标标签，t(y
i
)为目标标签y
i
的目标标签分布，λ为平衡正确类别和可靠类别间的相互影响的超参数，y
i
为正确标签，为查询图像x
i
对应的可靠标签集，otherwise为其它。
[0015]进一步地，所述微调包括选用软交叉熵损失函数作为无监督行人重识别模型的损失函数，该软交叉熵损失函数的计算表达式为：
[0016][0017]式中，L2为软交叉熵损失函数，p(y
i
|x
i
,V)为图像x
i
属于y
i
类别的概率，为图像x
i
属于类别的概率，V是储存每个分类特征的查阅表，定义图像x
i
的可靠图像集为对应标签为其中每一个分类标签被视为可靠标签。
[0018]进一步地，步骤S2具体为，将分配有伪标签的行人图像输入基于通道和空间注意力机制的残差网络中，提取图像特征；所述基于通道和空间注意力机制的残差网络分别用于提取通道注意力特征向量和空间注意力特征向量。
[0019]进一步地，所述通道注意力特征向量的提取过程具体为：
[0020]首先，通过使用平均池化操作和最大池化操作来聚合数据特征的空间信息；
[0021]然后，将通过平均池化和最大池化后的结果输入到共享网络以生成通道注意力特征向量，所述共享网络包括具有一个隐藏层的多层感知器；
[0022]最后，再进行逐元素求和并将结果合并作为通道注意力特征向量。
[0023]进一步地，所述空间注意力特征向量的提取过程具体为：
[0024]首先，沿通道轴进行平均池化和最大池化操作合并所述通道注意力特征向量，生成平均池化特征和最大池化特征；
[0025]其次，通过标准卷积层将平均池化特征和最大池化特征连接起来并进行卷积，从而生成空间注意力特征向量。
[0026]进一步地，所述评估图像间的相似性具体为：利用图像间的全局特征距离和局部特征距离进行相似性估计，所述相似性的估计表达式为：
[0027]D(x
a
,x
b
)＝(1
‑
λ
p
)d(x
a
,x
b
)+λ
p
d
part
(x
a
,x
b
)
[0028]式中，D(x
a
,x
b
)为两张图像x
a
和x
b
间的不相似度，d(x
a
,x
b
)为两张图像间的全局特征距离，d
part
(x
a
,x
b
)为两张图像间的局部特征距离，λ
p
为平衡全局特征相似性和局部特征相似性之间的权重的参数。
[0029]进一步地，所述全局特征距离的计算表达式为：
[0030][0031]式中，d(x
a
,x
b
)为两张图像x
a
和x
b
间的全局特征距离，为图像x
a
的特征嵌入函数，为图像x
b
的特征嵌入函数；
[0032]所述局部特征距离的计算表达式为：
[0033][0034]式中，d
part
(x
a
,x
b
)为两张图像x
a
和x
b
间的局部特征距离，φ
i
(θ,x
a
)为图像x
a
的第i个局部特征嵌入函数，φ
i
(θ,x
b<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于软化相似性学习的无监督行人重识别方法，其特征在于，包括根据训练好的无监督行人重识别模型进行行人识别，所述无监督行人重识别模型的训练过程包括以下步骤：S1：获取用于训练的无标签的行人图像，根据图像自身索引为行人图像分配伪标签，将每张行人图像分为各自的类别；S2：从分配有伪标签的行人图像中提取图像特征；S3：根据从行人图像中提取的图像特征，计算特征距离，从而评估图像间的相似性；S4：根据步骤S3中评估的图像间的相似性，选取k张可靠图像，定义对应的可靠标签集，从而设定输入无监督行人重识别模型的查询图像的目标标签分布；S5：根据所述目标标签分布对所述无监督行人重识别模型进行微调，并利用自适应矩估计优化算法迭代训练网络，最终得到训练好的无监督行人重识别模型。2.根据权利要求1所述的一种基于软化相似性学习的无监督行人重识别方法，其特征在于，所述目标标签分布的表达式为：式中，y
i
为查询图像x
i
对应的目标标签，t(y
i
)为目标标签y
i
的目标标签分布，λ为平衡正确类别和可靠类别间的相互影响的超参数，y
i
为正确标签，y
ireliable
为查询图像x
i
对应的可靠标签集，otherwise为其它。3.根据权利要求2所述的一种基于软化相似性学习的无监督行人重识别方法，其特征在于，所述微调包括选用软交叉熵损失函数作为无监督行人重识别模型的损失函数，该软交叉熵损失函数的计算表达式为：式中，L2为软交叉熵损失函数，p(y
i
|x
i
,V)为图像x
i
属于y
i
类别的概率，p(y
ij
|x
i
,V)为图像x
i
属于y
ij
类别的概率，V是储存每个分类特征的查阅表，定义图像x
i
的可靠图像集为对应标签为其中每一个分类标签被视为可靠标签。4.根据权利要求1所述的一种基于软化相似性学习的无监督行人重识别方法，其特征在于，步骤S2具体为，将分配有伪标签的行人图像输入基于通道和空间注意力机制的残差网络中，提取图像特征；所述基于通道和空间注意力机制的残差网络分别用于提取通道注意力特征向量和空间注意力特征向量。5.根据权利要求4所述的一种基于软化相似性学习的无监督行人重识别方法，其特征在于，所述通道注意力特征向量的提取过程具体为：首先，通过使用平均池化操作和最大池化操作来聚合数据特征的空间信息；然后，将通过平均池化和最大池化后的结果输入到共享网络以生成通道注意力特征向量，所述共享网络包括具有一个隐藏层的多层感知器；
最后，再进行逐元素求和并将结果合并作为通道注意力特征向量。6.根据权利要求5所述的一种基于软化相似性学习的无监督行人重识别方法，其特征在于，所述空间注意力特征向量的提取过程具体为：首先，沿通道轴进行平均池化和最大池化操作合并所述通道注意力特征向量，生成平均池化特征和最大池化特征；其次...

【专利技术属性】
技术研发人员：张建，韩华，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：