[發明專利]一種基于模糊深度聚類的無監督行人再識別方法

在審

• 申請號: 201811279325.2
• 申請日: 2018-10-30
• 公開（公告）號: CN109299707A
• 公開（公告）日: 2019-02-01
• 發明（設計）人: 張重;黃美艷;劉爽;石明珠
• 申請（專利權）人: 天津師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 北京中政聯科專利代理事務所(普通合伙) 11489
• 代理人: 陳超

1.一種基于模糊深度聚類的無監督行人再識別方法，其特征在于，該方法包括以下步驟：

步驟S1，確定行人圖像特征提取網絡模型，并利用所述行人圖像特征提取網絡模型對于行人圖像提取行人圖像特征，其中，所述行人圖像為不帶標簽圖像；

步驟S2，構建模糊深度聚類網絡并對其進行初始化；

步驟S3，利用初始化后的模糊深度聚類網絡學習新的特征空間和聚類中心，并為無標簽的行人圖像分配模糊標簽；

步驟S4，從帶有模糊標簽的行人圖像中確定可靠性樣本，并利用所述可靠性樣本對于所述行人圖像特征提取網絡模型進行訓練；

步驟S5，交替訓練所述模糊深度聚類網絡和行人圖像特征提取網絡模型直至選擇的可靠性樣本達到飽和，得到訓練完成的行人圖像特征提取網絡模型；

步驟S6，獲取測試行人圖像，利用訓練得到的行人圖像特征提取網絡模型提取所述測試行人圖像的特征，通過計算所述測試行人圖像的特征與圖庫中行人圖像的特征之間的距離即可得到無監督行人再識別結果。

2.根據權利要求1所述的方法，其特征在于，所述步驟S1包括以下步驟：

步驟S11，確定行人圖像特征提取網絡模型；

步驟S12，獲取不相關的帶標簽行人圖像，并利用所述不相關的帶標簽行人圖像對于所述行人圖像特征提取網絡模型進行初始化；

步驟S13，利用初始化后的行人圖像特征提取網絡模型為不帶標簽的行人圖像提取特征，得到第一特征其中，z_i表示第i幅不帶標簽的行人圖像的特征，N表示不帶標簽的行人圖像的數量。

3.根據權利要求1所述的方法，其特征在于，所述步驟S2包括以下步驟：

步驟S21，構建模糊深度聚類網絡，其中，所述模糊深度聚類網絡可構建為包含一個深度網絡和一個聚類損失；

步驟S22，對于所述模糊深度聚類網絡進行初始化。

4.根據權利要求3所述的方法，其特征在于，所述步驟S22包括以下步驟：

步驟S221，對于所述模糊深度聚類網絡中的深度網絡參數進行初始化；

步驟S222，對于所述模糊深度聚類網絡的聚類中心進行初始化。

5.根據權利要求1所述的方法，其特征在于，所述步驟S3包括以下步驟：

步驟S31，利用初始化后的模糊深度聚類網絡中的深度網絡將所述第一特征映射到一個新的特征空間，學習得到新的行人圖像特征第二特征

步驟S32，利用模糊c均值聚類對于所述第二特征進行聚類得到聚類中心和多個集群，通過最小化模糊c均值聚類的目標函數對于所述聚類中心進行更新，并計算得到每幅行人圖像到各個集群的隸屬度；

步驟S33，利用所述第二特征、更新的聚類中心和計算得到的隸屬度計算得到聚類損失；

步驟S34，利用所述聚類損失迭代更新所述模糊深度聚類網絡中深度網絡的參數和聚類中心，得到所述模糊深度聚類網絡中深度網絡的最優聚類中心；

步驟S35，利用所述第二特征和最優聚類中心得到無標簽行人圖像的模糊標簽。

6.根據權利要求5所述的方法，其特征在于，所述模糊c均值聚類的目標函數表示為：

其中，N表示無標簽行人圖像的數量，K表示聚類中心的個數，m>0表示模糊系數，c_j表示第j個聚類中心的特征向量，a_ij表示第i個行人圖像到第j個集群的隸屬度，為約束項，表示每幅行人圖像到所有集群的隸屬度之和為1。

7.根據權利要求5所述的方法，其特征在于，所述步驟S33包括以下步驟：

步驟S331，基于所述第二特征、更新的聚類中心和計算得到的隸屬度，計算模糊分配f_ij；

步驟S332，根據所述模糊分配f_ij計算得到目標分配；

步驟S333，利用所述模糊分配和目標分配的KL散度計算得到聚類損失。