一种基于对比特征的行人重识别方法及系统技术方案

本发明专利技术公开了一种基于对比特征的行人重识别方法及系统，所述行人重识别方法包括以下步骤：获取给定的查询图像和无标签行人图像集合，输入预训练好的卷积神经网络中，获得给定的查询图像的特征向量以及给定的无标签行人图像集合的特征向量集合；基于给定的查询图像的特征向量和给定的无标签行人图像集合的特征向量集合，获得行人重识别结果。本发明专利技术提供的基于对比特征的行人重识别方法，具有较好的识别精确度。识别精确度。识别精确度。

【技术实现步骤摘要】
一种基于对比特征的行人重识别方法及系统


[0001]本专利技术属于计算机视觉与模式识别
，特别涉及一种基于对比特征的行人重识别方法及系统。

技术介绍

[0002]行人重识别是指给定现实场景中的一张行人图像，在大量的图像集合中找出与给定行人图像具有相同身份标识的行人图像；这类任务在智能安防系统与智能视频监控系统中具有很多有意义的现实应用(示例性的，在不同的摄像头拍摄的大量的行人中查找给定的人员)。
[0003]目前，传统的行人重识别方法存在以下两方面的缺陷：
[0004](1)由于不同的视角、不同的光线条件和背景杂乱导致的外观变化很大，在大量的图像集合中查找具有给定行人身份的图像是具有挑战性的。
[0005](2)训练行人重识别的模型密集且昂贵的手工标注过程，如何减小对数据标签的依赖是困难的。
[0006]具体的，现有无监督行人重识别方法在生成伪标签的过程中，大多依赖于迭代聚类和分类来估计伪标签；其中，宽松的聚类器容易将具有不同标签的样本估计为一个簇，紧凑的聚类器会将具有相同标签的样本估计为不同的簇，忽视了难本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对比特征的行人重识别方法，其特征在于，包括以下步骤：获取给定的查询图像和无标签行人图像集合，输入预训练好的卷积神经网络中，获得给定的查询图像的特征向量以及给定的无标签行人图像集合的特征向量集合；基于给定的查询图像的特征向量和给定的无标签行人图像集合的特征向量集合，获得行人重识别结果；其中，所述预训练好的卷积神经网络的获取步骤包括：将无标签行人训练图像样本集合中的每个训练图像样本输入预构建的卷积神经网络中，获得训练图像样本特征集合；基于所述训练图像样本特征集合，使用多视角聚类策略挖掘获得具有高置信度伪标签的样本；基于获得的具有高置信度伪标签的样本，将具有相同伪标签的样本作为一个样本簇，生成每个样本簇的特征中心，将样本簇的特征中心记为样本簇的原型向量；将当前训练样本输入预构建的卷积神经网络中，获得当前训练样本特征；基于当前训练样本特征与每个样本簇之间的关系，为当前训练样本特征生成难原型向量集合；基于挖掘获得的高置信度伪标签，获取当前训练样本特征的高置信度正样本，将所述高置信度正样本转化为难正样本；基于所述难原型向量集合与所述难正样本，采用动态交叉熵损失函数与相对熵损失函数，训练所述预构建的卷积神经网络，获得所述预训练好的卷积神经网络。2.根据权利要求1所述的一种基于对比特征的行人重识别方法，其特征在于，所述基于所述训练图像样本特征集合，使用多视角聚类策略挖掘获得具有高置信度伪标签的样本的步骤具体包括：基于无标签行人训练图像样本集合，使用预设的数据增强方法生成多视角的训练图像样本集合；基于多视角的训练图像样本集合，获得多组不同的特征集合；基于所述多组不同的特征集合，使用多视角聚类策略挖掘获得具有高置信度伪标签的样本。3.根据权利要求1所述的一种基于对比特征的行人重识别方法，其特征在于，所述基于所述训练图像样本特征集合，使用多视角聚类策略挖掘获得具有高置信度伪标签的样本的步骤具体包括：使用不改变语义信息的第一数据转换方式对训练图像进行变换，获得训练图像样本集合，对应提取每个训练图像样本的特征并存入第一特征库中；使用不改变语义信息的第二数据转换方式对训练图像进行变换，获得训练图像样本集合，提取对应的训练图像样本的特征存入第二特征库中；其中，第一特征库和第二特征库分别表示为：式中，N表示训练图像样本集合中图像的个数，M1表示存储的由预构建的卷积神经网络Q从由数据强化方式t1转换的训练样本提取的特征，M2表示存储的由预构建的卷积神经网络Q由数据强化方式t2转换的训练样本提取的特征，i表示第i个训练图像样本；根据计算获得输入训练图像样本与所有训练图像样本之间的第一余弦相似度列表；基于所述第一余弦相似度列表，使用预设聚类算法为无标签行人训练图像样本分配第一组伪标签Y1；根据计算获得输入训练图像样本与所有训练图像样本之间
的第二余弦相似度列表；基于所述第二余弦相似度列表，使用预设聚类算法为无标签行人训练图像样本分配第二组伪标签Y2；无标签行人训练图像样本的最终伪标签表示为：式中，表示图像样本x
i
在Y1中的伪标签，表示x
i
在Y2中的伪标签，y
i
表示x
i
最终的高置信度伪标签。4.根据权利要求3所述的一种基于对比特征的行人重识别方法，其特征在于，所述预设聚类算法为DBSCAN聚类算法。5.根据权利要求3所述的一种基于对比特征的行人重识别方法，其特征在于，所述基于获得的具有高置信度伪标签的样本，将具有相同伪标签的样本作为一个样本簇，生成每个样本簇的特征中心，将样本簇的特征中心记为样本簇的原型向量中，原型向量的计算表达为：C＝{C
j
}式中，C表示各个样本簇的原型的集合，C
j
表示第j个簇的原型向量，C
j
表示第j个样本簇，j表示所述样本簇的编号。6.根据权利要求5所述的一种基于对比特征的行人重识别方法，其特征在于，所述基于当前训练样本特征与每个样本簇之间的关系，为当前训练样本特征生成难原型向量集合中，难原型向量集合表示为，式中，C*表示生成的难原型向量集合，x
i
表示当前的查询样本，L
c
为所使用的动态交叉熵损失函数；采用对抗训练的方式，对
‑
Lc使用随机梯度下降算法对原始簇原型进行优化，获得C*，过程表示为式中，η表示难原型的更新率；v表示当前的迭代次数，在经过V次迭代后获得C
(V)
，C
...

【专利技术属性】
技术研发人员：王乐，季皓宣烨，周三平，陈仕韬，辛景民，郑南宁，
申请(专利权)人：宁波市舜安人工智能研究院，
类型：发明
国别省市：