[發明專利]一種基于球面相似度層次聚類的無監督行人重識別方法

有效

• 申請號: 201911163066.1
• 申請日: 2019-11-25
• 公開（公告）號: CN110968735B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 周勇;鄭沂;趙佳琦;夏士雄;姚睿;杜文亮;王秋;張曼
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/764;G06V10/74;G06V10/762;G06V10/82;G06N3/04;G06N3/08
• 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

1.一種基于球面相似度層次聚類的無監督行人重識別方法，其特征在于：通過球面特征對行人圖像進行分類，使用球面相似度衡量圖像樣本之間的相似度，加入圖像類別內部平均平方偏差矯正不同聚類程度的圖像之間相似度衡量，包括如下步驟：

(1)輸入數據，包括如下步驟：

(11)輸入行人圖片；

(12)賦予輸入的每張行人圖片一個獨立的標簽作為行人類別；

(2)針對行人重識別任務訓練深度神經網絡并評估行人重識別結果，包含如下步驟：

(21)使用深度殘差網絡對圖片進行特征提取得到行人圖片的特征；

(22)對行人圖像特征和權重矩陣進行歸一化，并使用圖像的行人類別標簽，通過球形損失函數作為目標函數訓練深度神經網絡對輸入的行人圖像進行分類預測；

(23)并評估深度神經網絡的訓練結果；

(3)判斷是否繼續進行聚類操作：

計算當前獨立的行人標簽數量m，與進行聚類操作的行人標簽數量n，

情況①：若剩余獨立行人標簽數量m大于進行聚類操作的行人標簽數量n，繼續進行聚類操作；

情況②：若剩余獨立行人標簽數量m小于等于進行聚類操作的行人標簽數量n，則聚類操作結束，停止算法運行；

(4)進行聚類操作，包含如下步驟：

(41)根據提取到的行人圖片的特征和類別標簽，計算每兩張行人圖片的球面相似度以及按類別計算類別內部樣本的總體平方偏差并求和，得到相似度矩陣；

(42)對得到的相似度矩陣中數值進行排序，選取前n個最小相似度差值，得到最相似的n對圖像；

(43)將得到的n對圖像進行標簽的合并，刪除多余的標簽，并返回步驟(2)；

所述步驟(22)中，通過球形損失函數作為目標函數訓練深度神經網絡的具體方法為：

(221)在計算球形損失函數之前，先計算行人圖像特征向量x^*和權重矩陣W^*的模長，對特征向量和權重矩陣進行歸一化：

其中，x^*與W^*分別為通過神經網絡提取到的圖片特征和權重矩陣；

|x^*|表示x^*求模長的操作，|W_j^*|表示W_j^*求模長的操作，因此x與W為經過歸一化之后得到的長度為1，方向與原始方向相同的特征向量和權重矩陣；

(222)求歸一化后的特征向量和權重矩陣的點積，并將其與類別標簽送入球形損失函數計算預測損失，球形損失函數表示為：

其中，N為樣本的數量，x與W是由(221)中得到的歸一化后的特征向量和權重矩陣；

所述步驟(41)中，計算行人圖片相似度矩陣的方法為：

(411)首先，按照圖片標簽對圖片特征向量進行分組，計算每組特征向量X＝{x₁,x₂,…,x_n}的平均平方偏差：

其中，某一類別中含有的樣本x_i的數量為n，是此類別中全部樣本的平均值；

MSD是此類別的平均平方偏差，它是類別中每個樣本x_i與類別均值之差的平方和的平均值；

(412)將行人圖像特征加上其所屬類別的內部平均平方偏差，得到矯正后的特征矩陣：

x_i^′＝x_i+MSD,X^′＝{x^′₁,x^′₂,…,x_i^′,…x^′_n}

其中，x_i^′為樣本x_i加上平均平方偏差MSD后的偏差樣本；

X^′是由所有的x_i^′組成的帶有偏差矯正的特征矩陣；

(413)計算矯正后的行人圖像特征向量的模長，對特征向量進行歸一化，通過點積運算計算每兩張圖片之間的余弦相似度：

Dist＝X″·X″^T

其中，|X′|是向量X′的模長，經過歸一化之后的X″是一個長度為1，方向與X′相同的向量；

Dist是通過特征矩陣X″與其轉置矩陣X″^T進行點積運算，得到的相似度矩陣；

所述步驟(222)中，由權重矩陣和特征向量之間的夾角大小作為行人類別預測的標準。

2.根據權利要求1所述的基于球面相似度層次聚類的無監督行人重識別方法，其特征在于，所述步驟(412)中，通過行人圖像所屬類別的內部平均平方偏差對行人圖像特征進行矯正。