基于深度主动学习的低成本行人再识别方法技术

本发明专利技术公开了一种基于深度主动学习的低成本行人再识别方法，将动态样本选择与聚类预测伪标签集成到统一的框架中；该方法包括：获取行人数据集，输入无监督聚类模型，生成伪标签；基于主动学习思想，选择hard

【技术实现步骤摘要】
基于深度主动学习的低成本行人再识别方法


[0001]本专利技术涉及计算机视觉和模式识别领域，具体涉及一种基于深度主动学习的低成本行人再识别方法。

技术介绍

[0002]近几年来，随着我国城市化建设的加快与推进，人口密度不断增加，城市运行系统也愈发复杂。为此，国家大力开展社会面监控系统建设，大量安装各级视频监控设备，全方位覆盖公共安全的要害部位。然而，监控网点的大量部署以及采集数据的急剧上升，让传统处理并分析监控数据的人力成本变得十分高昂。为解决这一现实问题，自动化的，智能的监控管理系统，逐渐走入大众视野，成为公共安全领域的一大建设热点，而行人再识别作为智能监控系统的重要环节，受到了研究者们的广泛关注。
[0003]行人再识别是计算机视觉领域一个重要的研究方向。行人再识别是指在不同地理区域的多摄像机监控视频系统中，通过一组视角不重叠的摄像机，识别同一个行人的过程。通过行人再识别技术，提取行人的特征，对无法获取淸晰拍摄人脸的行人进行跨摄像头的检索，增强数据的时空连续性。
[0004]虽然行人再识别的有监督学习和同域方法研究已经十分成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度主动学习的低成本行人再识别方法，其特征在于，包括以下步骤：步骤1，获取行人数据集，输入到无监督聚类模型，提取行人特征并生成聚类结果，为每个行人样本分配伪标签；步骤2，基于主动学习思想，对每个类簇，选择若干hard
‑
negative行人样本对进行人工标记，利用标记结果指导类簇分裂；步骤3，基于主动学习思想，对每个类簇选择若干hard
‑
positive行人样本对进行人工标记，利用标记结果指导类簇合并；步骤4，利用步骤3获取的样本伪标签，训练无监督聚类模型；步骤5，迭代步骤1至步骤4，直到模型收敛。2.根据权利要求1所述的基于深度主动学习的低成本行人再识别方法，其特征在于，所述步骤1中的无监督聚类模型由深度特征提取网络和聚类算法两部分构成；深度特征提取网络以ResNet
‑
50作为基础网络，并整合添加了一维BatchNorm和L2归一化层；聚类算法选择DBSCAN算法。3.根据权利要求1所述的基于深度主动学习的低成本行人再识别方法，其特征在于，所述步骤2具体为：步骤201：对步骤1聚类结果中的每一个类簇，选择K
‑
means聚类中心数K，根据K
‑
means聚类结果，将原始类簇分裂为K个更小类簇；步骤202：选择步骤201结果中K个类簇对应的中心行人样本，两两组成样本对，由专家标注样本对是否匹配，若不为同一个人，则为样本所在的类簇分配新的伪标签，若为同一个人，则保留原始聚类伪标签。4.根据权利要求3所述的基于深度主动学习的低成本行人再识别方法，其特征在于，所述步骤201中，K
‑
means中心数K的选取方法为，限制中心数最大取值k
max
，遍历范围[2,k
max
]内每一个整数k作为当前轮次内的聚类中心数，对数据进行K
‑
means聚类，计算此次聚类结果的可靠度分数c_score
k
，遍历完成后，选择分数最高时对应的聚类中心数作为最终K的取值，计算形式如下：值，计算形式如下：其中，N为表示聚类样本数。5.根据权利要求4所述的基于深度主动学习的低成本行人再识别方法，其特征在于，所述聚类可靠度分数c_score
k
由类簇紧凑性指标comp和类簇独立性指标indep组成；已知类簇集合G，G
j
表示其中第j个类簇，c_score
k
的具体计算形式为：comp
j
＝minSim
intra
(G
j
...

【专利技术属性】
技术研发人员：李旻先，高雯静，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：