[發明專利]一種基于GAN的無監督自適應行人重識別方法

有效

• 申請號: 201911234544.3
• 申請日: 2019-12-05
• 公開（公告）號: CN110929679B
• 公開（公告）日: 2023-06-16
• 發明（設計）人: 殷海兵;鄭聲晟;章天杰;黃曉峰
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V20/52;G06V10/762;G06V10/764;G06V10/774;G06V10/82
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 孫孟輝

本發明公開了一種基于GAN的無監督自適應行人重識別方法，包括如下步驟：步驟一，源域訓練，在帶有標簽的源數據集上預訓練CNN模型，通過采用批量歸一化、一個全連接層、Adam優化器代替SGD，共同作用來訓練CNN模型，解決了在源數據集上預訓練CNN模型基線性能不足的問題；步驟二，自訓練，采用所述預訓練的CNN模型提取無標簽目標數據集的特征，通過聚類獲得偽標簽，通過GAN來調整所述聚類，通過所述聚類獲得的偽標簽訓練所述CNN模型。

技術領域

本發明涉及智能監控領域，尤其是涉及了一種基于GAN(Generative?AdversarialNetworks，生成式對抗網絡)的無監督自適應行人重識別方法。

背景技術

隨著城市人口的不斷增長和視頻監控系統的大量普及，社會公共安全問題越來越受到人們的重視。為了增強攝像頭網絡的安防水平，行人重識別技術在人員檢索上也得到了廣泛關注。行人重識別，也稱行人再識別，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。當前行人重識別方法主要通過基于特定場景下大量帶標簽的視頻圖像數據訓練出一個穩定可靠的模型，但是這類監督學習方法忽略了在實際應用中系統對新場景的適應性，并且依賴于大量帶標簽的行人數據，而標簽工作往往需要耗費大量的人力和物力，不利于系統的部署。此外由于行人圖像都存在光照變化，視角姿勢變化與遮擋等諸多挑戰，僅僅利用無標簽的數據進行無監督學習也難以達到令人滿意的性能。

近年來，隨著遷移學習研究的深入和發展，通過遷移學習算法思想，將在帶標簽源數據集上訓練所得的網絡模型應用到無標簽目標數據集的學習任務中，從而實現了較高的識別準確率。但當前遷移學習主要解決不同數據域存在共同類別的問題，行人重識別在不同場景往往不存在相同的行人，故難以直接應用于解決行人重識別問題。因此如何利用舊場景的帶標簽行人數據以及新場景下的無標簽行人數據進行遷移學習，從而實現在新場景下的高識別準確率是目前亟待解決的問題。

該方法提出了一種適用于無監督域自適應重識別(Re-identification，reID)任務的新型自訓練方案，分為源域訓練和自訓練兩部分。首先進行源域訓練，即在帶有標簽的源數據集上預訓練CNN(Convolutional?Neural?Networks，卷積神經網絡)模型，或稱特征提取器。然后進行自訓練，采用預訓練的CNN模型提取無標簽目標數據集的特征并聚類猜測目標數據，最后基于聚類得到的偽標簽來訓練CNN模型。但是該方法會導致識別準確率不高的缺陷有兩點，一是在源數據集上預訓練CNN模型基線性能不足，二是在自訓練聚類猜測目標數據標簽的過程中聚類的效果不佳導致reID識別準確率較低。

發明內容

為解決現有技術的不足，實現更高識別準確率的目的，本發明采用如下的技術方案：

一種基于GAN的無監督自適應行人重識別方法，包括如下步驟：

步驟一，源域訓練，在帶有標簽的源數據集上預訓練CNN模型，包括如下步驟：

(1)將待識別的行人圖片輸入所述CNN模型的骨干網絡中；

(2)將所述骨干網絡中最后一個全局池化層產生的全局池化特征輸入到批量歸一化層中生成最終的特征表示；批量歸一化可以提供更穩定的梯度，這減輕了對預訓練模型的不必要干擾，在實驗中，批量歸一化通常會有更快的收斂速度和更好的性能。

(3)使用一個全連接層，對所述最終的特征表示執行行人的ID分類；傳統的方法有兩個全連接層，刪除第一個全連接層以提高最終效果，同時，由于減少了第一個全連接層，在softmax損失的梯度可以直接返回到卷積層，有利于減輕過度擬合的問題，以確保測試性能；

(4)通過softmax對所屬全連接層的分類結果進行歸一化處理；

步驟二，自訓練，采用所述預訓練的CNN模型提取無標簽目標數據集的特征，通過聚類獲得偽標簽，通過所述偽標簽訓練所述CNN模型，包括如下步驟：