一种基于伪标签优化的行人重识别方法、系统及存储介质技术方案

本发明专利技术公开了一种基于伪标签优化的行人重识别方法、系统及存储介质，其方法包括步骤：提取行人训练数据的特征并进行聚类；根据聚类结果分配伪标签；划分和优化伪标签；根据最难查询实例与聚类特征的相似性计算聚类特征损失并以此更新伪标签；根据伪标签识别行人类别。本发明专利技术解决了相关技术中无人工标注数据聚类生成的伪标签不准确导致无监督行人重识别准确率低的问题。准确率低的问题。准确率低的问题。

【技术实现步骤摘要】
一种基于伪标签优化的行人重识别方法、系统及存储介质


[0001]本专利技术属于智慧安防
，特别是涉及一种基于伪标签优化的行人重识别方法、系统及存储介质。

技术介绍

[0002]现代社会，通过对监控视频进行智能化、自动化分析，能够及时预警和消除安全隐患，快速高效追踪目标。行人重识别技术(Person re
‑
identification，ReID)是视频监控和智能化分析的关键组成部分。行人重识别是利用计算机视觉判断非重叠图像或者视频序列中是否存在目标人物。
[0003]在实际应用场景中，环境复杂多变，比如，不同摄像头间存在帧数、位置、分辨率的差异会导致监控质量差异大；目标人物经常被物体或者其他行人遮挡会导致目标人物身体部位不完整；恶劣天气、光照不足也会影响图像的清晰度，这些都导致识别过程中难以提取有效的行人特征。因此，提出一种采用有监督的行人重识别模型和方法。但是这种方法需要人工标注大量数据，工作量巨大，成本较高。同时，因为领域的差别，在一个相机数据下训练得到的行人重识别模型并不能很好地泛化到新的相机网络下。这限制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于伪标签优化的行人重识别方法，其特征在于，包括：提取行人训练数据的特征并进行聚类；根据聚类结果分配伪标签；划分和优化伪标签；根据最难查询实例与聚类特征的相似性计算聚类特征损失并以此更新伪标签；根据伪标签识别行人类别。2.根据权利要求1所述的基于伪标签优化的行人重识别方法，其特征在于，所述提取行人训练数据的特征并进行聚类，包括步骤：获取行人不同状态下的训练数据，记为样本集D＝(x1，x2，x3，
…
，x
m
)；所述行人不同状态包括常规行走、转弯、停顿、横移的任一项或多项组合；所述训练数据包括视频数据或图像数据；提取数据特征，即将训练数据经过卷积神经网络提取特征向量；根据数据特征划分聚类簇。3.根据权利要求2所述的基于伪标签优化的行人重识别方法，其特征在于，所述根据数据特征划分聚类簇，包括步骤：初始化核心对象集合初始化聚类簇数S＝0，初始化未访问样本集合Γ＝D，簇划分通过距离度量方式获得样本x
j
的ε邻域子样本N
ε
(x
j
)；如果子样本集样本个数满足︱N
ε
(x
j
)︱≥Minpts，则将样本x
j
加入核心对象样本集合：Ω＝Ω∪{x
j
}；如果核心对象集合则聚类结束，否则在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ω
cur
＝{o}，初始化类别序号s＝s+1，初始化当前簇样本集合C
i
＝{o}，更新未访问样本集合Γ＝Γ
‑
{o}；如果当前簇核心对象队列则当前聚类簇C
i
生成完毕，更新簇划分C＝{C1，C2，...，C
N
}，更新核心对象集合Ω＝Ω
‑
C
N
；否则更新核心对象集合Ω＝Ω
‑
C
i
；在当前簇核心对象队列Ω
cur
中取出一个核心对象o
′
，通过邻域距离阈值ε找出所有的ε邻域子样本集N
ε
(o
′
)，令Δ＝N
∈
(o
′
)∩Γ，更新当前簇样本集合C
i
＝C
i
∪Δ，更新未访问样本集合Γ＝Γ
‑
Δ，更新Ω
cur
＝Ω
cur
∪(Δ∩Ω)
‑
o
′
；重复执行上述步骤，直到聚类簇生成完毕，簇的划分为C＝{C1，C2，...C
N
}。4.根据权利要求3所述的基于伪标签优化的行人重识别方法，其特征在于，所述根据聚类结果分配伪标签，包括步骤：根据聚类簇将训练数据划分为集群，每个集群表示一个行人类别；为每个集群分配伪标签，训练数据集合表示为：其中D表示训练数据的集合，m表示训练数据的数量，x
i
表示第i张图片，y
i
表示第i张图片的伪标签。5.根据权利要求4所述的基于伪标签优化的行人重识别方法，...

【专利技术属性】
技术研发人员：韩崇，徐龙华，严军荣，赵忠，
申请(专利权)人：三维通信股份有限公司，
类型：发明
国别省市：