【技术实现步骤摘要】
本专利技术涉及一种无监督行人重技术，具体涉及一种基于聚类距离约束和惩罚的无监督行人重识别方法。
技术介绍
1、行人重识别(person re-identification,person re-id)是指在大量的跨摄像头的行人图像数据中，找到与目标行人身份相同的图像。在初期，研究者们利用卷积神经网络来处理行人识别任务，但随着有监督行人重识别在实际应用场景广泛的分布，所需要的数据量越来越大，而人工标注的成本也越来越高，所以有监督行人重识别的发展受到了限制。所以为了节约成本，提高效率，无监督的行人重识别就受到了更多的关注。
2、无监督行人重识别是在没有标注标签或只有部分标注标签的情况下进行的，与传统的有监督行人识别技术不同，无监督行人重识别技术不需要预先标注大量的训练数据，而是依赖于自动化的特征提取和聚类算法，其中主要分为三步：特征聚类(通过聚类算法生成伪标签)，代理生成(根据聚类中心生成代理)；更新迭代(通过损失函数训练模型更新代理库)，从而大大降低了实现该技术所需的成本和时间。
3、然而，无监督行人重识别的缺点就是在特征聚类时很容易产生噪音标签，进而影响后面的训练质量。
技术实现思路
1、本专利技术的目的在于，提供一种基于聚类距离约束和惩罚的无监督行人重识别方法，以提高训练模型的训练质量，增强识别效率。
2、为解决上述技术问题，本专利技术提供一种基于聚类距离约束和惩罚的无监督行人重识别方法，包括：
3、获取不同相机下的行人图像数据作为样
4、对获取的所述样本图像进行预处理；
5、计算不同相机的所述样本图像的特征之间的杰卡德距离，生成约束相机代理库；
6、对所述杰卡德距离小于设定阈值的不同相机的所述样本图像对进行距离惩罚，生成惩罚后相机代理库；
7、从所述约束相机代理库中选取第一正代理和第一负代理，从所述惩罚后相机代理库中选取第二正代理和第二负代理；
8、将查询图像以及从所述约束相机代理库中选取的第一正代理和第一负代理代入距离约束损失函数，将查询图像以及从所述惩罚后相机代理库中选取的第二正代理和第二负代理代入距离惩罚损失函数，以对识别模型进行训练；
9、将训练好的识别模型进行行人重识别。
10、进一步地，所述对获取的所述样本数据进行预处理，包括：
11、对所述样本图像进行归一化处理，并减去其均值，使其具有相同的尺寸和比例；
12、对所述样本图像通过旋转、裁切或者缩放的方式进行增强。
13、进一步地，所述计算不同相机的所述样本图像的特征之间的杰卡德距离，生成约束相机代理库，包括：
14、选取初始模型，将所述样本图像输入所述初始模型中，获得所述样本图像的特征向量；
15、计算不同相机的所述样本图像之间的杰卡德距离；
16、对所述杰卡德距离进行聚类，对聚类生成的簇的中心进行提取，生成所述约束相机代理库。
17、进一步地，所述对所述杰卡德距离小于设定阈值的不同相机的所述样本图像对进行距离惩罚，生成惩罚后相机代理库，包括：
18、对距离惩罚后的所述杰卡德距离进行聚类，对聚类生成的簇的中心进行提取，生成所述惩罚后相机代理库。
19、进一步地，所述从所述约束相机代理库中选取第一正代理和第一负代理，包括：
20、为惩罚前的所述样本图像的训练集图像分配第一伪标签，并为所述样本图像的查询图像匹配对应的所述第一伪标签；
21、选取一个所述查询图像，并根据所述查询图像的第一伪标签，从所述约束相机代理库中选取与所述查询图像属于同一聚类的所述训练集图像作为所述第一正代理，选取与所述查询图像属于相邻聚类的所述训练集图像作为所述第一负代理。
22、进一步地，所述从所述惩罚后相机代理库中选取第二正代理和第二负代理，包括：
23、为惩罚后的所述样本图像的训练集图像分配第二伪标签，并为所述样本图像的查询图像匹配对应的所述第二伪标签；
24、选取一个所述查询图像，并根据所述查询图像的第二伪标签，从所述惩罚后相机代理库中选取与所述查询图像属于同一聚类的所述训练集图像作为所述第二正代理，选取与所述查询图像属于相邻聚类的所述训练集图像作为所述第二负代理。
25、进一步地，所述对识别模型进行训练，包括：
26、将所述距离约束损失函数lcc和所述距离惩罚损失函数lpc代入整体的损失函数：
27、licp＝(1-λ)lpc+λlcc
28、其中，licp为整体的损失函数，lpc为距离惩罚损失函数，lcc为距离约束损失函数，λ为控制惩罚和约束的超参数；
29、将所述整体的损失函数的值用于调整模型。
30、进一步地，所述距离惩罚损失函数lpc为：
31、
32、其中，n'是图像总的数量，pn是距离惩罚后的正代理集合，qn是距离惩罚后的负代理集合，|p|是p的基数，表示相机代理的数量，xi表示为第i张图像，其中u(p,xi)是exp(m′[p]tfθ(xi)/τ)，用于计算p和之xi间的相似度，m是距离惩罚后相机间代理库，m|p|是距离惩罚后相机间代理库m的第p个代理，τ为第一温度超参数，fθ(·)为初始模型。
33、进一步地，所述距离约束损失函数lcc为：
34、
35、其中，n'是图像总的数量，po为距离惩罚前的正代理集和，qo是距离惩罚前的负代理集和，|p|是p的基数，表示相机代理的数量，xi表示为第i张图像，b是距离收缩前的约束相机代理库，τ为第一温度超参数。
36、进一步地，拉远所述小于设定阈值的不同相机的所述样本图像的杰卡德距离，以进行所述距离惩罚。
37、进一步地，根据图像对特征距离j(x,y)，设置惩罚权重αc，其公式为：
38、
39、根据所述惩罚权重，具体惩罚方法公式为：
40、
41、其中，x,y分别是两张图像，ci，cj分别是x,y对应的相机标签。
42、相比于现有技术，本专利技术至少具有以下有益效果：
43、由于设置了约束相机代理库和惩罚后相机代理库，使两个惩罚前后的相机代理库和两个损失函数互相牵制。根据惩罚前的代理设计了不同相机距离过近图像对的特征距离惩罚，将不同相机的距离过近的不同相机的行人拉远，使得识别模型不容易将不同行人误聚类为同一类，从而达到更优的训练效果，增加了模型性的鲁棒性，极大程度的减少了噪音标签对模型训练的影响。
44、此外，通过惩罚前的约束相机代理库及距离约束损失函数，将不同相机的相同行人进行约束，不容易出现过度惩罚的问题，进而不同相机的相同行人不容易被误聚类为不同，从而进一步增强了识别效率，识别效果较好，且增加了识别模型的训练效率，使识别模型具有较好的可迁移性。
本文档来自技高网...【技术保护点】
1.一种基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，包括：
2.根据权利要求1所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，所述对获取的所述样本数据进行预处理，包括：
3.根据权利要求1所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，所述计算不同相机的所述样本图像的特征之间的杰卡德距离，生成约束相机代理库，包括：
4.根据权利要求3所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，所述对所述杰卡德距离小于设定阈值的不同相机的所述样本图像对进行距离惩罚，生成惩罚后相机代理库，包括：
5.根据权利要求4所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，所述从所述约束相机代理库中选取第一正代理和第一负代理，包括：
6.根据权利要求4所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，所述从所述惩罚后相机代理库中选取第二正代理和第二负代理，包括：
7.根据权利要求1所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，所
8.根据权利要求7所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，所述距离惩罚损失函数Lpc为：
9.根据权利要求7所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，所述距离约束损失函数Lcc为：
10.根据权利要求1所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，根据图像对特征距离J(x,y)，设置惩罚权重αc，其公式为：
...【技术特征摘要】
1.一种基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，包括：
2.根据权利要求1所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，所述对获取的所述样本数据进行预处理，包括：
3.根据权利要求1所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，所述计算不同相机的所述样本图像的特征之间的杰卡德距离，生成约束相机代理库，包括：
4.根据权利要求3所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，所述对所述杰卡德距离小于设定阈值的不同相机的所述样本图像对进行距离惩罚，生成惩罚后相机代理库，包括：
5.根据权利要求4所述的基于聚类距离约束和惩罚的无监督行人重识别方法，其特征在于，所述从所述约束相机代理库中选取第一正代...
【专利技术属性】
技术研发人员：熊明福，胡凯康，文忆，梁京榜，方菲，陈佳，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：
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。