[发明专利]一种基于图的直推式半监督行人再识别方法

说明书

本发明公开了一种基于图的直推式半监督行人再识别方法，属于计算机视觉行人再识别技术领域。首先使用有标签行人数据训练双通道模型，得到基模型后对无标签行人数据进行特征提取，为提取到的无标签行人数据特征建立图模型，根据图模型给予无标签行人数据伪标签，使用有标签行人数据和带有伪标签的无标签行人数据，构建正负样本对；使用图模型赋予正负样本对置信度后共同微调基模型；逐渐增加正负样本对的难度和置信度，利用课程学习方法，训练基模型至完全收敛，得到最终模型后对验证集数据进行特征提取并进行特征匹配，根据匹配结果，完成行人再识别。该方法减少了错误伪标签带来的负面影响，提高了模型的鲁棒性，进而提高了行人再识别的精度。

技术领域

本发明属于计算机视觉行人再识别技术领域，具体涉及一种基于图的直推式半监督行人再识别方法。

背景技术

行人再识别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。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。行人再识别就是需要机器识别出不同摄像机拍摄的特定人员的所有图像。具体说，就是给定某人的一张图片(query image)，从多张图片(gallery images)中找到属于他/她的那一张或多张，是通过行人整体特征实现的人员比对技术。行人再识别技术在公共安防的刑侦工作中以及图像检索等场景中有很高的应用价值。除此之外，行人再识别技术还可以帮助手机用户实现相册聚类、帮助零售或商超经营者获取有效的顾客轨迹、挖掘商业价值。然而，目前行人再识别技术的精准度并不高，很多工作仍依赖于大量人力的投入。

行人再识别是一项非常重要和具有挑战性的任务，由于图像拍摄的时间、地点随机，且光线、角度、姿态不同，再加上行人容易受到检测精度、遮挡等因素的影响，这些使得行人再试别的研究工作在实际应用中面临更加困难的挑战。大多数的行人再识别算法都采用了全监督卷积神经网络。然而，一个范化性能更好的神经网络往往需要数以万计的标记训练样本来训练。不像分类数据集或人脸识别数据集，其数据量已经扩展到数百万，大多数行人再识别数据集都少于2000人，每个人有几十张图像。由于获得标记的行人样本过于昂贵，所以基于半监督学习的行人再识别技术将在实际应用中更有价值。

行人再识别领域的研究工作主要采用研究行人对象的特征表示方法，提取更具有鲁棒性的鉴别特征对行人进行表示，以及采用距离度量学习方法，通过学习一个有判别力的距离度量函数，使得同一个人的图像间距离小于不同行人图像间的距离。基于图像的行人再识别技术，其核心目标是为一张指定的行人图像找到包含N张行人图像的候选集中与之最相似的行人图像。为了将不同身份的行人区别出来，行人再识别需要提取有鉴别力的行人特征描述子。在日常生活中，人类通常根据服饰识别是否是同一个行人，而在智能多摄像头监控系统中，行人外观通常由于照明、行走姿势、摄像头视域的变化而剧烈变化。如何在剧烈的外观变化下提取鲁棒的描述子，是目前需要解决的技术难点，因此在实际应用过程中有着较大限制。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于图的直推式半监督行人再识别方法，减少了错误伪标签带来的负面影响，提高了模型的鲁棒性，进而提高了行人再识别的精度。

本发明是通过以下技术方案来实现：

一种基于图的直推式半监督行人再识别方法，包括以下步骤：

步骤1：使用有标签行人数据训练双通道模型，得到基模型；

步骤2：使用基模型对无标签行人数据进行特征提取，为提取到的无标签行人数据特征建立图模型，根据图模型给予无标签行人数据伪标签，使用有标签行人数据和带有伪标签的无标签行人数据，构建正负样本对；

步骤3：使用图模型赋予正负样本对置信度，使用带有置信度的正负样本对共同微调步骤1所得基模型；