[發明專利]面向行人重識別任務的基于成對樣本隨機遮擋策略的數據擴充方法

有效

• 申請號: 201811352790.4
• 申請日: 2018-11-14
• 公開（公告）號: CN109670528B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 趙佳琦;夏士雄;姚睿;周勇;牛強;閆秋艷;張鳳榮;張家誠
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06V10/764;G06V40/10;G06N3/0464;G06N3/096
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 王美章

本發明公開了一種面向行人重識別任務的基于成對樣本隨機遮擋策略的數據擴充方法，在訓練階段，首先通過采用基于成對樣本隨機遮擋策略的數據擴充方法增加樣本的多樣性，提高深度行人重模型訓練過程中的魯棒性，進而提高模型的泛化性能。本發明與現有技術中數據擴充的方法相比，利用了孿生深度學習模型訓練數據的特點，同時考慮了孿生網絡訓練的困難，提出了一種新的數據擴充方法。通過增加訓練數據對的多樣性，有效緩解單個行人數據集類別少且缺乏多樣性問題給帶來的影響，提升了模型的泛化性能，讓行人重識別方法可以更好的處理復雜環境下的相行人重識別問題。

技術領域

本發明屬于圖像檢索技術領域，是利用計算機視覺技術判斷圖像或者視頻序列中是否存在特定行人的技術，更進一步涉及一種面向行人重識別任務的基于成對樣本隨機遮擋策略的數據擴充方法。

背景技術

在監控視頻中，由于背景遮擋和行人距攝像頭較遠導致的低分辨率等原因，經常無法得到可以用于人臉識別的圖片。而當人臉識別技術無法正常使用的情況下，行人重識別就成為了一個非常重要的替代品技術。行人重識別有一個非常重要的特性就是跨攝像頭，所以學術界評價性能的時候，是要檢索出不同攝像頭下的相同行人圖片。行人重識別已經在學術界研究多年，但直到最近幾年隨著深度學習的發展，才取得了非常巨大的突破。

傳統基于圖像的通過特征表達方法進行行人重識別的算法大致分為如下幾類：

(1)底層視覺特征：這種方法基本上都是將圖像劃分為多個區域，對每個區域提取多種不同的底層視覺特征，組合后得到魯棒性更好的特征表示形式，最常用的就是顏色直方圖；

(2)中層語義屬性：通過語義信息判斷兩幅圖像中是否屬于同一行人，比如顏色、衣服以及攜帶的包等信息，相同的行人在不同的視頻拍攝下語義屬性很少變化；

(3)高級視覺特征：特征的選擇技術對行人重識別的識別率進行提升。使用深度學習進行行人重識別的方法與傳統方法最大的區別在于，它不需要人工的選取特征，通過端到端的學習，自動的學習行人圖片中的各種特征。因此，在行人重識別領域，面對眾多可以選擇的特征，基于深度學習模型的方法能夠達到較好的效果。現有的深度學習模型主要屬于卷積神經網絡的類別，通常使用的模型有CaffeNet、VGGNet和殘差網絡等。

行人重識別問題相比于普通圖像分類問題存在以下問題：

(1)有標簽數據規模小：現有行人重識別的數據庫行人數據很多，數據總量很大，但是單個行人的圖像數據量小；

(2)數據缺乏多樣性：由于數據中包含的單個個體圖像數據規模較小，訓練數據集提供的圖像信息自然不夠豐富；

(3)現場場景復雜，經常會出現行人被遮擋的現象，采用理想狀態下的數據集訓練模型很難直接應用到實際場景中。

行人重識別數據集樣本多樣性差的問題極大地限制了深度學習模型處理行人重識別任務的性能。由于數據規模有限，導致這些模型學習的特征表達不具有魯棒性，并且模型容易產生過擬合的情況。

發明內容

本發明的目的在于克服上述現有技術的不足，提出了一種面向行人重識別任務的基于成對樣本隨機遮擋策略的數據擴充方法。本發明與現有技術中數據擴充的方法相比，利用了孿生深度學習模型訓練數據的特點，同時考慮了孿生網絡訓練的困難，提出了一種新的數據擴充方法。通過增加訓練數據對的多樣性，有效緩解單個行人數據集類別少且缺乏多樣性問題給帶來的影響，提升了模型的泛化性能，讓行人重識別方法可以更好的處理復雜環境下的相行人重識別問題，可廣泛應用于智能視頻監控、智能安保等領域。

為了實現上述目的，本發明采用的技術方案是：

一種面向行人重識別任務的基于成對樣本隨機遮擋策略的數據擴充方法，

在訓練階段，首先通過采用基于成對樣本隨機遮擋策略的數據擴充方法增加樣本的多樣性，提高深度行人重模型訓練過程中的魯棒性，進而提高模型的泛化性能；