[发明专利]基于无监督联合多损失模型的跨域行人重识别方法

说明书

本发明公开了一种基于无监督联合多损失模型的跨域行人重识别方法，主要解决现有无监督跨域行人重识别方法识别率低的问题。其方案是，1)获取数据集并将其分为训练集与测试集；2)对训练集进行多种预处理和扩充；3)选取残差网络作为基准网络模型，初始化网络参数，调整网络结构；4)构建目标域损失函数；5)将目标域损失函数与源域损失函数，三元组损失函数进行融合，得到总损失函数；6)利用总损失函数对残差网络进行训练，得到训练好的网络模型；7)将测试集输入到训练好的网络模型，输出识别结果。本发明提高了无监督跨域行人重识别的识别率，有效避免了过拟合情况的发生，可用于嫌疑目标查找，行人跨摄像头跟踪的智能安保。

技术领域

本发明属于计算机视觉和深度学习领域，具体涉及一种跨域行人重识别方法，可用于嫌疑目标查找，行人跨摄像头跟踪的智能安保领域。

背景技术

随着数字化城市的建设，监控视频越来越广泛地应用于人们生活的各个场所，这些海量的监控视频对城市治安，犯罪追踪等公共安全领域的作用非常重要，如何更好地处理这些数据也是我们未来面临的巨大挑战。

行人重识别也称为行人再识别，是利用计算机视觉技术判断图像或者视频序列是否存在特定行人的技术，广泛地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。

在现实生活中，受摄像机视角、行人姿态、遮挡以及光照等因素的影响，同一个人在不同摄像机下的图像会有很大差异，而不同行人的图像有可能变得非常相似。这使得行人重识别成为计算机视觉领域一个极具挑战性的热门课题。传统的行人重识别方法主要从两个方面进行研究，一是研究行人的特征表示方法，设计鲁棒的行人特征使其能够对摄像头视角变化、行人姿态变化、光照变化以及背景干扰等因素具有不变性。二是度量学习，通过学习一个距离度量函数，使得同一行人的不同图像距离较小，不同行人的距离较大。

近年来，深度学习得到了快速的发展，越来越多的研究者用深度学习技术来研究行人重识别，由于深度学习在图像高层特征提取的良好表现，再加上较大规模的数据集出现，使得基于深度学习的行人重识别方法在各个数据集上的性能已经优于传统的行人重识别方法。现有的基于深度学习的行人重识别方法包括有监督学习和无监督学习，在有监督学习中，被用来训练的数据集都必须要有标签，然而给数据打上标签需要耗费大量的人力物力，现实生活中由海量的数据都是无标签的，在数据如此庞大的情况下，给数据人为打标签几乎不可能实现。通过有监督学习学习到的行人重识别模型在无标签的测试集上性能非常差，模型的泛化能力很弱，在实际应用中缺乏可扩展性和实用性。但是单纯的利用无监督学习，由于数据没有标签，学习的网络模型性能很差，无法在实际情况下应用。将两者结合，如何将有标签的源域训练出来的网络模型在无标签的目标域上得到更好的识别结果是行人重识别研究的热点。

Hehe Fan,Liang Zheng等人发表的论文《Unsupervised person re-identification:Clustering and finetuning.》。论文采用有标签的源域数据集学习一个深度网络模型作为初始的行人特征提取器，然后在目标域数据集上通过无监督的聚类对网络模型进行改善。但是这个方法不能充分利用有标签源域的数据信息。

Wei jian Deng等人发表的论文《Image-image domain adaptation withpreserved self-similarity and domain-dissimilarity for person re-identification》主要研究如何减少两个跨域数据集在像素级别的差异。该方法虽然取得了不错的识别效果，但由于忽略了目标域本身的域内数据特征分布，导致在交叉摄像头下，行人重识别错误率较高。

发明内容

本发明的目的在于针对现有技术存在的问题，提出一种基于无监督联合多损失模型的跨域行人重识别方法，减少无标签目标域数据集上行人重识别的错误率，提高识别精度。

为实现上述目的，本发明的技术方案包括如下步骤：