[發明專利]基于半監督訓練方式的行人重識別方法、裝置及介質

有效

• 申請號: 201910735333.1
• 申請日: 2019-08-09
• 公開（公告）號: CN110555390B
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 林修明;吳鴻偉;王國威;陳志飛;林淑強;杜新勝
• 申請（專利權）人: 廈門市美亞柏科信息股份有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/774;G06V10/764;G06V10/82;G06N3/04
• 代理公司: 廈門福貝知識產權代理事務所(普通合伙) 35235
• 代理人: 陳遠洋

本發明提供了一種基于半監督訓練方式的行人重識別方法、裝置及存儲介質，該方法包括：基于半監督訓練方式使用采集的目標域樣本集和開源數據集構建訓練樣本集，使用所述訓練樣本集對深度殘差網絡進行訓練得到訓練后的深度殘差網絡模型，對采集的行人圖像使用訓練后的深度殘差網絡模型進行識別，得到行人圖像的特征值，再根據特征值之間的余弦距離來確定是否為同一個人。本發明生成了虛擬樣本，且在生成虛擬樣本時構建了平滑函數，使得構建的虛擬樣本更加逼真，同時使用DBSCAN聚類算法為虛擬樣本添加偽標簽，深度神經網絡中使用了局部特征和全局特征，采用不同權重組合的聯合損失函數，使得訓練后的深度神經網絡識別準確更加可靠。

技術領域

本發明涉及人工智能技術領域，特別是一種基于半監督訓練方式的行人重識別方法、裝置及存儲介質。

背景技術

隨著社會和科技的進步，人臉識別越來越成為一項可依賴的安防技術。但是對于現今大部分攝像頭而言，其分辨率往往不能達到人臉識別系統的要求，故可以應用于現有監控系統的行人重識別技術是極有必要的。行人重識別(Person re-identification)是利用圖像處理技術來判定某一攝像頭下的行人是否出現在其他攝像頭中，從而可以描繪行人的活動路徑，實現跨鏡頭追蹤的目的。現階段行人重識別常用方法主要有表征學習、度量學習、基于局部特征或視頻序列等方法。

行人和人臉一樣具有結構，但是不同于人臉，行人的結構往往更加復雜。在實際應用場景中可能存在無正臉、配飾不一、姿態變化及遮擋、攝像頭的拍攝角度、室內外環境的變化、白天與黑夜的光線差異、季節穿搭(冬天進入室內可能會脫掉外套)等等不利條件和干擾因素。與此同時，不同于人臉可以到互聯網直接爬取名人的圖片，行人重識別由于其任務的特殊性，其訓練數據集采集標記難度更高，現有的數據集往往只能達到幾萬的級別，這也阻礙了行人重識別技術進一步走向實用化。

目前的行人重識別中，由于特征選擇的單一，即識別存在一定的局限性，影響了識別準確率。

發明內容

本發明針對上述現有技術中的缺陷，提出了如下技術方案。

一種基于半監督訓練方式的行人重識別方法，該方法包括：

訓練樣本集生成步驟，基于半監督訓練方式使用采集的目標域樣本集和開源數據集構建訓練樣本集，所述訓練樣本集包括虛擬樣本集、目標域樣本集和開源數據樣本集；

深度殘差網絡訓練步驟，使用所述訓練樣本集對深度殘差網絡進行訓練得到訓練后的深度殘差網絡模型；

行人重識別步驟，對采集的行人圖像使用訓練后的深度殘差網絡模型進行識別，得到行人圖像的特征值。

更進一步地，訓練樣本集生成步驟包括：

采集子步驟，采集目標域中的行人圖像并進行標記得到目標域樣本集；

虛擬樣本集生成子步驟，使用對抗網絡基于目標域樣本集生成初始虛擬樣本集，并借助聚類子單元為初始虛擬樣本集中的虛擬樣本添加偽標簽；

聚類子步驟，使用預訓練好的分類模型提取初始虛擬樣本集中虛擬樣本的高維特征，根據所述高維特征將初始虛擬樣本集中的虛擬樣本使用DBSCAN聚類算法進行分類，根據聚類算法結果為虛擬樣本添加偽標簽得到虛擬樣本集。

更進一步地，所述虛擬樣本的圖像大小是384*384的行人圖像。

更進一步地，所述對抗神經網絡采用PG-GAN，在生成虛擬樣本時，平滑函數為：X＝X_16pixel*(1-α)+X_32pixel*α，其中α為平滑參數。

更進一步地，所述深度殘差網絡的層數為50層，包括四個順次相連的處理階段，每個處理階段包括一次下采樣處理和兩次殘差處理。

更進一步地，所述深度殘差網絡訓練步驟包括：