【技术实现步骤摘要】
一种无监督的行人重识别方法、系统、装置及存储介质
[0001]本申请涉及计算机视觉
，尤其是一种无监督的行人重识别方法、系统、装置及存储介质。
技术介绍
[0002]行人重识别(Re
‑
ID)是一种跨非重叠摄像机的行人检索技术。简单来说，行人重识别的目标是在给定查询对象的前提下，确定行人是否被处在另一个地方的另一个摄像机在另一个时间拍摄到。一般情况下，查询对象可以是图像、视频序列以及文字描述。由于不同摄像机的拍摄画面在视点、图像分辨率、照明变化，行人的姿态、遮挡以及模态等方面不尽相同，行人重识别成为了一项极具挑战性的任务。
[0003]传统的行人重识别根据训练样本是否有标注可以分为有监督和无监督两个方向。其中，在有标注的样本上进行行人重识别模型训练的是有监督行人重识别，而在无标注的样本上进行行人重识别模型训练的则是无监督行人重识别。显然，无监督行人重识别相较于有监督行人重识别难度更高，也更接近于实际情况。
[0004]无监督行人重识别的模型学习方法主要包括域自适应方法和纯无监督方法。其...
【技术保护点】
【技术特征摘要】
1.一种无监督的行人重识别方法，其特征在于，包括以下步骤：从ImageNet数据集中获取第一行人数据，所述第一行人数据包括多张第一行人图片和对应的第一图片信息，所述第一图片信息包括对应的所述第一行人图片的拍摄设备信息；根据所述第一行人图片进行特征提取，生成第一行人特征；根据所述第一图片信息对所述第一行人特征进行分组，生成第一特征组；根据所述第一特征组初始化第一记忆字典；根据所述第一记忆字典调整所述第一行人特征的特征间距，生成第二行人特征；根据所述第二行人特征初始化第二记忆字典；根据所述第一记忆字典和所述第二记忆字典构建联合记忆学习模型；根据所述联合记忆学习模型和第二行人数据进行网络训练，得到行人重识别网络，所述第二行人数据为输入的训练集数据；采用所述行人重识别网络对待识别的行人数据进行识别，得到行人识别结果。2.根据权利要求1所述的一种无监督的行人重识别方法，其特征在于，所述根据所述第一行人图片进行特征提取，生成第一行人特征，包括：根据行人检测算法对所述第一行人图片进行行人检测，生成行人标定框；通过所述行人标定框切割所述第一行人图片，生成第二行人图片；通过特征提取网络对所述第二行人图片进行特征提取，生成所述第一行人特征。3.根据权利要求1所述的一种无监督的行人重识别方法，其特征在于，所述根据所述第一特征组初始化第一记忆字典，包括：对每个所述第一特征组内的所述第一行人特征进行聚类，生成第一特征类，所述第一特征类中包括第三行人特征，所述第三行人特征包括所述第一行人特征和对应的伪标签；对每个所述第一特征类内的所述第三行人特征取平均，生成第四行人特征，所述第四行人特征为所述第一特征类的特征表示；根据所述第四行人特征构建所述第一记忆字典。4.根据权利要求3所述的一种无监督的行人重识别方法，其特征在于，所述根据所述第一记忆字典调整所述第一行人特征的特征间距，生成第二行人特征，包括：对所述第一行人特征与所述第四行人特征进行相似度计算，得到第一相似度；根据所述第一相似度生成相似度分布；根据所述相似度分布调整所述第一行人特征的特征间距，生成所述第二行人特征。5.根据权利要求4所述的一种无监督的行人重识别方法，其特征在于，所述根据所述第二行人特征初始化第二记忆字典，包括：对所述第二行人特征进行聚类，生成第二特征类，所述第二特征类中包括第五行人特征，所述第五行人特征包括所述第二行人特征和对应的伪标签；对每个所述第二特征类内的所述第五行人特征取平均，生成第六行人特征，所述第六行人特征为所述第二特征类的特征表示；根据所述第六行人特征构建所述第二记忆字典。6.根据权利要求5所述的一种无监督的行人重识别方法，其特征在于，所述第二行人数据包括多张第三行人图片和对应的第二图片信息，所述第二图片信息包括对应的所述第三行人图片的拍摄设备信息；
所述根据所述联合记忆学习模型和第二行人数据进行网络训练，得到行人重识别网络，包括：根据所述第三行人图片进行特征提取，生成第七行人特征；将所述第七行人...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。