一种基于半监督学习的提高行人重识别聚类精度的方法技术

本发明专利技术公开了一种基于半监督学习的提高行人重识别聚类精度的方法。该方法利用已有的少量标注样本指导所有样本的聚类，提高了聚类的可靠性；弥补了基础聚类策略的不足，针对不同类型的聚类错误，进行合并或分裂操作，显著提高了聚类精度；同时考虑了不同相机所造成的影响，使行人重识别网络模型学习更多关于行人的有效特征；具有适应度高、性能高、需要标注信息少、简易优化聚类的特点，可以有效应用于需要快速部署行人重识别系统的实际安防场景。要快速部署行人重识别系统的实际安防场景。要快速部署行人重识别系统的实际安防场景。

【技术实现步骤摘要】
一种基于半监督学习的提高行人重识别聚类精度的方法


[0001]本专利技术属于行人重识别
，具体涉及一种基于半监督学习的提高行人重识别聚类精度的方法。

技术介绍

[0002]行人重识别是计算机视觉中的重要研究领域，广泛应用于大型公共场所的安保监控，例如在游乐园中找人，监控可疑分子的行动轨迹等。行人重识别任务的目标是从多个重叠摄像头采集的图像集或者视频片段中识别出目标行人。在实际的监控视频中，由于相机分辨率、光照、拍摄距离和角度等一系列因素的影响，通常获取不到质量很高的人脸图片，因此造成人脸识别技术的失效，这种情况下行人重识别就发挥了重要的作用。由于已存在成熟的行人检测工具，行人重识别任务被广泛认为是图像检索问题，即按给定的图像去检索图像数据集中所有特定行人的图像。
[0003]在深度学习中，有监督学习是模型表现较佳的训练方式。但是标注数据非常耗时耗力，例如在行人重识别任务中人工去分辨不同摄像头下的同一个行人的成本是非常高的，所以完全有监督学习在实际场景中并不能应用。为了解决这一问题，越来越多的研究者开始关注半监督学习，旨在研究通过较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督学习的提高行人重识别聚类精度的方法，其特征在于，包括以下步骤：步骤1，获取行人重识别数据集，将其分为训练集和测试集，并对训练集中少量数据进行人工标注，得到有标签的训练数据集；步骤2，利用DBSCAN聚类算法对步骤1中所有训练集数据进行聚类，并获得样本数据的伪标签；步骤3，将有标签数据聚类后的伪标签与人工标注的标签进行比较，对聚类错误的全部样本数据进行重新聚类，得到新的伪标签；步骤4，若存在多个原聚类中的有标签数据都来自同一个行人，则将这多个原聚类进行合并，得到一个大聚类；步骤5，若某个原聚类中有标签数据来自于不同行人，则将这个原聚类分裂为多个更小的纯聚类；步骤6，将聚类的质心作为正样本，离散值作为负样本，利用对比学习损失函数进行反向传播，迭代更新神经网络模型参数；步骤7，重复执行步骤2
‑
步骤6，当聚类个数和准确率前后两次迭代差值小于μ时，认为网络模型收敛，输出用于行人重识别的神经网络模型；步骤8，利用测试集数据测试网络模型聚类、分类效果。2.如权利要求1所述的一种基于半监督学习的提高行人重识别聚类精度的方法，其特征在于：步骤1中利用现有的自动行人检测工具对多个摄像头拍摄的监控视频进行检测，获得不同行人在多个摄像头下的大量图像，并将其分为训练集和测试集，对训练集中短时间段内的少量图像进行标注，标注不同行人的ID，得到少量有标签训练数据集。3.如权利要求1所述的一种基于半监督学习的提高行人重识别聚类精度的方法，其特征在于：步骤2利用DBSCAN聚类算法完成初始聚类后得到数据集x
i
为单个样本，为样本对应的伪标签，对能够聚在一起的样本x
i
，将其对应的伪标签赋值0～Num
‑
1的数字，Num为聚类的个数，对于不能聚类的距离较远的样本，将其认定为离散值，对应的伪标签赋为
‑
1。4.如权利要求3所述的一种基于半监督学习的提高行人重识别聚类精度的方法，其特征在于：步骤3中聚类后得到的数据集中包括有标签样本其对应的正确的人工标注标签为{y1，y2，...y
K
}，通过将有标签数据聚类后的伪标签与人工标注的标签进行比较，发现存在不同标签ID的图片聚成了一个类、同一标签ID的图片被聚在了不同类这两种错误，将这些错误的聚类内的全部样本数据进行重新聚类操作。5.如权利要求4所述的一种基于半监督学习的提高行人重识别聚类精度的方法，其特征在于：步骤4中当同一行人的标注图像被分散到多个聚类中，且这些聚类中不包含其他行人的有标签样本时，将这些原聚类合并为一个大聚类，计算方式如下：
式中，Cluster
new
表示合并后的新的聚类，表示进行合并操作的第i个聚类中的有标签样本，xj表示进行合并操作的第i个聚类中的无标签样本，N
′
i
...

【专利技术属性】
技术研发人员：刘峥琦，杜博，林雨恬，
申请(专利权)人：武汉大学，
类型：发明
国别省市：