[發(fā)明專利]一種基于類中心自適應的重點人員搜索系統(tǒng)跨域識別方法

有效

• 申請?zhí)枺?/td>: 202011267881.5
• 申請日: 2020-11-13
• 公開（公告）號: CN112784674B
• 公開（公告）日: 2022-07-15
• 發(fā)明（設(shè)計）人: 冷彪;李子涵
• 申請（專利權(quán)）人: 北京航空航天大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V20/52;G06V40/10;G06V10/762;G06V10/764;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 安麗

本發(fā)明提供一種基于類中心自適應的重點人員搜索系統(tǒng)跨域識別方法，包括訓練和測試兩個階段：本發(fā)明不僅要克服深度學習模型在不同數(shù)據(jù)域訓練和測試性能急劇下降的問題，還要通過一定的學習策略，對更多未標注的數(shù)據(jù)域的數(shù)據(jù)進行聚類，并將其用于行人重識別模型的訓練，以讓重點人員搜索系統(tǒng)具有更優(yōu)良的泛化性能、更強大的跨域識別能力。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于類中心自適應的重點人員搜索系統(tǒng)跨域識別方法，屬于機器學習領(lǐng)域。

背景技術(shù)

人工智能正深刻地影響著各行各業(yè)的飛速發(fā)展，人工智能經(jīng)過近70年的發(fā)展積累了浩如煙海的知識和成果，得到了廣泛的應用。在互聯(lián)網(wǎng)、大數(shù)據(jù)及超級計算機的發(fā)展之下，AI技術(shù)的發(fā)展也進入了具有深度學習，跨界融合，人機協(xié)同等特性的新階段。其中計算機視覺是人工智能領(lǐng)域中發(fā)展最為迅速、應用最為廣泛的一個技術(shù)方向。

行人重識別也稱為行人再識別，是指利用計算機視覺技術(shù)在給定一個監(jiān)控行人圖像后檢索跨設(shè)備下的該行人圖像的技術(shù)，也被視為圖像檢索的一個子問題。行人重識別可以彌補目前固定的攝像頭的視覺局限，并可與行人檢測、行人跟蹤技術(shù)相結(jié)合，可廣泛應用于智能視頻監(jiān)控、智能安保等領(lǐng)域。近幾年隨著深度學習的發(fā)展，深度學習技術(shù)在行人重識別任務上得到了廣泛的應用。當前，很多基于深度學習的方法已經(jīng)把同源行人重識別的性能提升到了非常高的水平。

但是，一旦將這些深度學習模型放到一個新的非同源的數(shù)據(jù)集上進行測試時性能卻有災難性的下降，這也是目前行人重識別技術(shù)上推向?qū)嶋H應用時面臨的一個主要問題。對于本發(fā)明的重點人員搜索系統(tǒng)，需要對不同攝像頭在不同場景和不同時間采集的數(shù)據(jù)進行處理，在其中找到待搜索的重點人員出現(xiàn)的視頻片段。因為不同的攝像頭和場景下圖片中人物外形、光照和環(huán)境等都有變化，解決模型夠泛化到不同的域上就是跨域行人重識別問題，即在一個源域中訓練好模型之后，要能夠泛化到目標域中，其中源域的數(shù)據(jù)有標注信息而目標域的數(shù)據(jù)是沒有標注信息的。出現(xiàn)跨域的問題是因為數(shù)據(jù)集之間的分布不一致造成的，這被稱為域漂移或域偏差。另外，在實際應用場景中，在每個新的場景中都標注數(shù)據(jù)成本非常高，而且行人重識別的標注更需要的是跨攝像頭的標注，這樣就需要更多的標注成本。因此，需要一種針對行人數(shù)據(jù)的跨域重識別方法來應對重點人員搜索系統(tǒng)面臨的上述問題，提高系統(tǒng)的可用性和魯棒性。

發(fā)明內(nèi)容

本發(fā)明的技術(shù)解決問題：克服現(xiàn)有技術(shù)的不足，提供一種基于類中心自適應的重點人員搜索系統(tǒng)跨域識別方法，能夠高效利用大規(guī)模未標注數(shù)據(jù)訓練行人重識別模型，在跨域場景仍然保持性能不衰減，具有高準確率的跨域識別能力。

本發(fā)明在重點人員搜索的跨域行人重識別任務的背景下，基于類中心自適應策略及深度學習模型，構(gòu)建擁有高跨域行人重識別能力的重點人員搜索系統(tǒng)，本申請要解決的技術(shù)問題為：1.對監(jiān)控數(shù)據(jù)進行行人標注成本高，一般的行人重識別模型無法高效地使用大量沒有行人標注的數(shù)據(jù)訓練模型；2.一般的重點人員搜索系統(tǒng)只能在單個數(shù)據(jù)源或有較高相似度的多個數(shù)據(jù)源中有較好的行人重識別能力，無法有效地處理差異度較大的不同數(shù)據(jù)源之間的行人重識別問題。

本發(fā)明技術(shù)要解決的問題是：克服現(xiàn)有的重點人員搜索系統(tǒng)對跨域行人重識別任務的識別能力不足，提供一種基于類中心自適應策略的重點人員搜索系統(tǒng)跨域重識別方法，不僅要克服深度學習模型在不同數(shù)據(jù)域訓練和測試性能急劇下降的問題，還要通過一定的學習策略，對更多未標注的數(shù)據(jù)域的數(shù)據(jù)進行聚類，并將其用于行人重識別模型的訓練，以讓重點人員搜索系統(tǒng)具有更優(yōu)良的泛化性能、更強大的跨域識別能力。

(一)技術(shù)方案：

該基于類中心自適應的重點人員搜索系統(tǒng)跨域識別方法，有如下步驟：

訓練階段：

步驟一：新數(shù)據(jù)收集與數(shù)據(jù)預處理