[发明专利]一种基于数据增强的深度哈希行人重识别方法

说明书

本发明提供一种基于数据增强的深度哈希行人重识别方法，首先利用K‑means聚类方法对原始数据集图片进行聚类，然后分别将得到的n组聚类图片通过深度卷积生成对抗网络生成n组无标签行人图片进行数据增强，这样每组生成的图片特征上有更多地相似性。然后将原始数据集图片和生成图片一起放入深度哈希卷积神经网络中训练，用三元组损失分别拉近原始图片和生成图片中相同类行人的距离和拉开不同类行人的距离，对于生成图片，本发明还提出用均值标签平滑损失，让增强的这部分数据达到比较好的正则化效果，最后测试时将提取到的实数值特征映射为01向量，通过计算两个01向量之间的汉明距离判定行人图片的命中率，提高检索速率。

技术领域

本发明涉及图像检索中的行人重识别技术领域，更具体地，涉及一种基于数据增强的深度哈希行人重识别方法。

背景技术

行人重识别，又称行人再识别、Person Re-identification，简称为ReID，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。行人重识别被广泛认为是图像检索的一个子问题。就是给定一个监控行人图像，检索跨设备下的该行人图像。

因为在监控视频中，由于相机分辨率和拍摄角度的缘故，通常无法得到质量非常高的人脸图片，当人脸识别失效的情况下，行人重识别就成为了一个非常重要的替代品技术。它可以运用于智能安防，跨镜头跟踪嫌疑人，可以运用在人机交互、相册聚类中，还可以运用于智能商业，如无人超市等。

行人重识别的基本流程一般是特征提取-度量学习-相似度排序。第一步特征提取就是输入图片，通过神经网络对图片提取特征；第二步度量学习就是通过交叉熵损失函数或者度量损失函数计算loss进行反向传播训练提取特征的网络；第三步相似度排序就是在训练完成之后进行检索，即对图片计算余弦距离，然后进行相似度排序。因为现在特征提取网络模型发展已经比较成熟，在特征提取这块上几乎很难再提高特征提取的效果，所以考虑从第二步进行优化，就是设计一个比较好的损失函数。并且由于目前行人重识别数据集有限，容易在数据集表现为过拟合，所以考虑从数据增强来提升行人重识别的实验效果。针对第三步中的计算距离进行相似度排序，由于用实数特征值进行距离计算检索效率较慢。

发明内容

本发明提供一种基于数据增强的深度哈希行人重识别方法，该方法可实现提升行人重识别的命中率。

为了达到上述技术效果，本发明的技术方案如下：

一种基于数据增强的深度哈希行人重识别方法，包括以下步骤：

S1：对原始数据集图片进行K-means聚类，建立深度卷积生成对抗网络分别对n组聚类图片生成n组无标签行人图片；

S2：建立深度哈希卷积神经网络,建立三元组损失和均值标签平滑损失函数；

S3：将原始图片和生成图片一起送入网络中训练，并在测试集上进行测试。

进一步地，所述步骤S1的具体过程是：

S11：对k类原始数据集图片，放入在ImageNet上预训练好的Resnet50网络中，先随机选取n个中心点即n张图片，遍历所有提取到的图片特征，通过计算其他图片特征到中心点特征的欧式距离将每个图片特征划分到最近的中心点中，计算每个聚类的平均值，并作为新的中心点，一共迭代50次左右将原始数据集图片聚类为n个类；

其中，Imagenet是一个包含2万多个类别，有1400多万幅张图片的数据集，是目前深度学习图像领域算法性能检验的“标准”数据集，用于预训练Resnet50网络，直接用Imagenet数据集预训练好的Resnet50网络作为基网络，Resnet50是深度卷积神经网络，哈希指的是在实验最后将实数值特征映射到了哈希维度的特征，即01特征；

S12：建立一个生成器网络G和一个判别器网络D；