[发明专利]基于半监督学习的行人再识别方法及装置

说明书

本发明实施例提供一种基于半监督学习的行人再识别方法及装置，该方法包括：将多个已标注的有标签图像序列，输入预设的行人再识别模型，进行初步训练；从多个无标签的图像序列中，选取置信度满足预设条件的图像序列，对于每一选取的图像序列，将特征空间中最邻近的有标签图像序列的标签作为伪标签，从而得到多个选取图像序列构成的支持集；将支持集中的图像序列，输入预设的行人再识别模型进行再次训练；基于再次训练得到的模型进行行人再识别。该方法有效解决了实际场景下有标签序列不足、标注困难的问题。在仅有少量的标注序列的前提下，通过对易得的无标签序列生成伪标签，从而得到大量准确度高的训练样本。

技术领域

本发明涉及行人再识别领域，尤其涉及一种基于半监督学习的行人再识别方法及装置。

背景技术

行人重识别(Person re-identification)也称行人再识别，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。

目前，已有的行人再识别方法以全监督方法为主，需要利用大量的标注序列。但是行人视频序列的标注非常困难，需要人工查找跨摄像头的同一ID的行人进行标注，耗费很高的标注成本和很长的标注时间，难以应用到复杂多变的实际场景中。

发明内容

为了解决上述问题，本发明实施例提供一种基于半监督学习的行人再识别方法及装置。

第一方面，本发明实施例提供一种基于半监督学习的行人再识别方法，包括：将多个已标注的有标签行人图像序列，作为初始训练集，输入预设的行人再识别模型，进行初步训练；从多个无标签的图像序列中，选取置信度满足预设条件的图像序列，对于每一选取的图像序列，将特征空间中最邻近的有标签图像序列的标签作为伪标签，从而得到多个选取图像序列构成的支持集；将支持集中的图像序列，输入预设的行人再识别模型进行再次训练；基于再次训练得到的模型进行行人再识别；其中，所述置信度表示无标签图像序列与有标签图像序列在特征空间的邻近程度。

进一步地，所述选取置信度满足预设条件的图像序列之前，还包括：根据类内距离和最小的类间距离的比值，确定每一无标签图像序列的置信度；其中，所述类间距离为有标签的图像序列之间在特征空间的距离，所述类内距离为无标签图像序列与特征空间中最邻近的有标签图像序列之间的距离。

进一步地，所述将支持集中的图像序列，输入预设的行人再识别模型进行再次训练之后，还包括：将带有伪标签的无标签图像序列作为已标注的有标签图像序列；重复执行上述从多个无标签的图像序列中，选取置信度满足预设条件的图像序列，并将特征空间最邻近的有标签图像序列的标签作为伪标签，得到支持集，输入预设的行人再识别模型进行再次训练，以及将带有伪标签的无标签图像序列作为已标注的有标签图像序列过程，直至预设次数或满足预设收敛条件。

进一步地，所述选取置信度满足预设条件的图像序列之前，还包括：设置预设比例，并设置初始置信度阈值；相应地，选取置信度满足预设条件的图像序列，具体为：对于首次迭代，选取置信度大于初始置信度阈值的图像序列，以使选取的无标签序列占有标签序列的比例满足所述预设比例；对于非首次迭代，若支持集增量的变化速率小于预设动态切换因子，则在上次迭代的置信度阈值的基础上叠加增量，得到新的置信度阈值用于本次迭代。

进一步地，所述预设动态切换因子随每次迭代的置信度阈值增大而减小。