[發明專利]一種基于隨機線性插值的行人再識別數據增強方法

有效

• 申請號: 201811268388.8
• 申請日: 2018-10-29
• 公開（公告）號: CN109635634B
• 公開（公告）日: 2023-03-31
• 發明（設計）人: 郭軍;李智;陳峰;許鵬飛;劉寶英;孟憲佳;常曉軍
• 申請（專利權）人: 西北大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V20/52;G06V10/774;G06V10/82;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 李婷

本發明公開了一種基于隨機線性插值的行人再識別數據增強方法，采用隨機線性插值方法用以增加原始行人再識別數據集中的樣本數量，并且利用了大量的具有不同遮擋等級的行人圖像樣本，以獲得數據集中更加豐富的行人數據分布信息。然后，通過使用基準的深度學習網絡模型對增強后的數據集進行學習，提升了模型的泛化能力，降低行人再識別的Rank?1匹配的誤差。

技術領域

本發明涉及視頻監控和數據處理領域，具體涉及一種基于隨機線性插值的行人再識別數據增強方法。

背景技術

隨著深度學習的快速發展，越來越多的卷積神經網絡模型有效地處理圖像分類，目標檢測等問題計算機視覺任務，但是為了保證大型卷積網絡模型對于小規模數據的泛化能力，尤其是當識別不同攝像機視角中的行人，正在面臨著數據集較小的挑戰，數據增強方法顯得十分重要。傳統的數據增強方法都是對單一的數據進行增強，包括了隨機裁剪，隨機翻轉和隨機擦除等算法，而在行人再識別數據集上，考慮到卷積網絡模型需要對具有遮擋和不同燈光背景的數據樣本有很好的識別能力，只針對單個樣本的數據增強方法略有不足。因此，為了使得卷積神經網絡模型對復雜背景樣本識別的泛化性提高，基于樣本間的數據增強方法應運而生。

數據增強是一種數據預處理方法，它是從原始數據集中生成新的訓練樣本，被廣泛用于增加圖像中數據集的大小。而且，數據增加由于具有降低過擬合風險的能力，因此在深度學習中起著關鍵作用。圖像的數據增強分成兩種常用的方法：第一種方法側重于改變圖像中像素點的位置分布，如隨機旋轉，這種方法優點在于能夠增加樣本在不同方向上的數據，使得神經網絡模型能夠對于不同角度的樣本識別具有魯棒性；第二種方法側重于改變圖像中像素點的值，如隨機擦除，這種方法優點在于對于網絡模型來說，像素值的改變意味著能夠讓神經網絡學習到新特征，并且能夠更加魯棒的對一個具有噪聲的樣本進行學習，能夠提高對有噪聲樣本的識別的泛化性。

在對行人再識別數據集進行訓練時，第二種方法效果會更好一些，但是目前比較先進的方法隨機擦除僅僅考慮了樣本本身的像素值改變，這會使得模型對于數據集中的數據分布的學習具有局限性，進一步提高卷積神經網絡模型對于行人再識別數據集中數據分布的學習能力，成為了行人再識別中亟待解決的一個問題。

發明內容

本發明的目的是提供一種基于隨機線性插值的行人再識別數據增強方法，以進一步提高行人再識別的準確率。

為了實現上述任務，本發明采用以下技術方案：

一種基于隨機線性插值的行人再識別數據增強方法，包括以下步驟：

步驟1，通過監控系統捉視角不交叉的不同相機下同一個行人的照片，再將不同行人照片中行人圖像分別截取出來，構成該行人的圖像數據集；利用不同行人的圖像數據集構建行人再識別數據集，并將其劃分為訓練集和測試集；

步驟2，初始化隨機線性插值的插值強度參數，設置訓練集中需要被增強的樣本比例，將待增強的樣本與訓練集中的隨機一個樣本進行插值操作，生成新的樣本，然后對待增強的樣本進行重新標記；

步驟3，將生成的新的樣本和訓練集中的樣本混合作為輸入層，使用卷積神經網絡模型進行訓練，設定訓練代數，當模型的損失函數收斂或者達到訓練代數，則進行步驟4，否則更新步驟3；

步驟4，步驟3中訓練好的模型獲得了不同相機拍攝的照片中行人圖像的映射關系，利用訓練好的模型對測試集中的行人圖像進行匹配預測，得到識別的結果。

進一步地，所述的步驟2具體包括：

步驟2.1，首先通過貝塔分布Beta(α,β)生成隨機線性插值的強度μ，這里α＝β是貝塔分布的參數；

步驟2.2，將訓練集平均劃分成k個樣本的批訓練數據，設定需要被數據增強的樣本比例γ，然后利用下式進行插值操作，得到新的樣本的特征，從而得到新的樣本；