[发明专利]基于自监督代理特征学习的无监督行人重识别方法

说明书

本发明公开了一种基于自监督代理特征学习的无监督行人重识别方法，该方法通过将源域的有监督信息、目标域的相似度一致性信息以及跨域的自监督约束联合建模到一个端到端的框架中，能够高效地减少域间差异，从而提取出域不变且具有鉴别力的身份特征，最终实现对目标域图像更加精准的检索。

技术领域

本发明涉及智能安防领域，尤其涉及一种基于自监督代理特征学习的无监督行人重识别方法。

背景技术

行人重识别是利用计算机视觉技术判断图像或者视频中是否存在特定行人的技术，即给定一张监控行人图像，计算机自动检索周边其他监控设备捕捉到的该行人图像。行人重识别技术可以弥补目前固定摄像头的视觉局限，在安防和监控领域有着重要应用，例如，行为分析，感兴趣行人搜寻以及长期跟踪等。

目前的行人重识别技术大多基于距离度量学习或者特征学习的方法。虽然借助于深度神经网络的发展，这些方法的效果获得了巨大的提升，但是模型的训练需要依托于大量的跨设备行人标记数据。由于标注和收集监控图像十分耗费人力和时间，因此这些方法在实际应用中十分受限。

为了解决上述问题，无监督的行人重识别方法应运而生。其利用域适应技术，试图将在有标签的源域中学习到的知识迁移到无标签的目标域中。然而，由于域间存在巨大的域差异，这些方法难以在目标域提取到有鉴别力的身份特征。

发明内容

本发明的目的是提供一种基于自监督代理特征学习的无监督行人重识别方法，能够实现对目标域图像更加精准的检索。

本发明的目的是通过以下技术方案实现的：

一种基于自监督代理特征学习的无监督行人重识别方法，包括：

构建无监督行人重识别的网络模型，所述网络模型包括：特征重构模块，引入代理特征作为连接源域和目标域的桥梁，分别利用源域图像样本的特征及目标域图像样本的特征，与代理特征的相似度，来重构出源域图像样本特征及目标域图像样本特征；源域的有监督学习模块，利用重构的源域图像样本特征对源域进行有监督的标签学习；跨域自监督约束模块，利用重构的源域图像样本特征以及重构的目标域图像样本特征进行跨域的自监督学习；目标域的相似度一致性模块，利用目标域图像样本的特征进行目标域的相似度一致性学习；通过不断的迭代学习，获得训练好的无监督行人重识别的网络模型；

利用训练好的无监督行人重识别的网络模型在目标域图像样本中实现行人重识别。

由上述本发明提供的技术方案可以看出，通过将源域的有监督信息、目标域的相似度一致性信息以及跨域的自监督约束联合建模到一个端到端的框架中，能够高效地减少域间差异，从而提取出域不变且具有鉴别力的身份特征，最终实现对目标域图像更加精准的检索。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种基于自监督代理特征学习的无监督行人重识别网络模型的示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例提供一种基于自监督代理特征学习的无监督行人重识别方法，通过构建如图1所示的无监督行人重识别的网络模型来实现行人重识别，如图1所示，相关网络模型主要包括：特征重构模块、源域的有监督学习模块、跨域自监督约束模块以及目标域的相似度一致性模块。

1、特征重构模块。