[发明专利]用于同相机内有监督场景的多相机高精度行人重识别方法

说明书

本发明公开了一种用于同相机内有监督场景的多相机高精度行人重识别方法。在同一行人场景下采用多相机进行拍摄，选择基础网络模型并预训练后修改，采集获得待训练的行人图片集，建立针对各相机的行人记忆特征并初始化；基于已有的待训练的行人图片集，对基础网络模型进行同相机阶段的训练优化和监督；以训练后的行人记忆特征并结合采用聚类方法得到行人伪标签，用行人伪标签再对基础网络模型进行微调训练；对训练所得的基础网络模型进行跨相机行人重识别应用。本发明只需同个相机内图片标注场景下有效提高识别性能，达到与全监督场景下相当的重识别准确度，达到与全监督场景相当的行人重识别准确率。

技术领域

本发明属于计算机视觉技术领域，尤其是涉及一种用于同相机内有监督场景的多相机高精度行人重识别方法。

背景技术

行人重识别要解决的问题是在不同的相机之间对同一个行人进行匹配；由于行人重识别在安防、监控、刑侦等方面的众多应用，这一任务在近几年吸引了工业界和学术界的广泛研究与关注。

虽然行人重识别任务取得了较大的发展，但目前行人重识别模型和方法的高性能依赖于大量的标注数据；在实际应用场景中，由于行人繁多复杂，数据量大，对数据集进行完全标注十分昂贵，代价较高，限制了行人重识别技术在实际生产生活中的应用。

在行人图片的标注过程中，最费时费力的往往是对跨相机行人的标注。而在同相机中，由于行人的轨迹大多在时间上具有连续性，对同一个相机下的行人进行行人标注是相对更为容易的。

这一场景最早被提出是在Zhu Xiangping等人发表在《Proceedings of the IEEEInternational Conference on Computer Vision Workshops》的《Intra-camerasupervised person re-行人entification:A new benchmark》文章中，这一场景假设行人编码标签是在每个相机内被独立标注的，而跨相机之间的行人关系未知。

由于只有同相机的行人标注信息，没有跨相机的行人关联信息，这一场景下的模型设计面临着一定的挑战，之前在这一场景下被提出的模型，如Zhu Xiangping等人发表在《Proceedings of the IEEE International Conference on Computer VisionWorkshops》的《Intra-camera supervised person re-行人entification:A newbenchmark》，以及Qi Lei等人发表在《arXiv:1908.05669》的《Progressive Cross-cameraSoft-label Learning for Semi-supervised Person Re-行人entification》，虽然取得了较好的模型性能，但与全监督相比仍存在较大的差距。

现有针对同相机内有监督场景的行人重识别方法，主要存在的问题是没有充分利用已知的同相机内标注信息，来设计高效的重识别模型，以及促进跨相机行人关联信息的有效挖掘，因而有待改进。

发明内容

为了解决背景技术中存在的问题，本发明提供了一种用于同相机内有监督场景的多相机高精度行人重识别方法，利用现有在全监督场景下性能较优的模型作为基础网络模型，在此基础上挖掘同相机内有监督场景的数据特点来设计方法，可有效提高模型在同相机内有监督场景下的性能，达到与全监督场景相当的行人重识别准确率。

本发明是针对只有同相机内标注信息的场景进行多相机(跨相机)图像行人识别处理。

本发明的技术方案如下：

(1)在同一行人场景下采用多相机进行拍摄，选择基础网络模型并预训练后修改，采集获得待训练的行人图片集，建立针对各相机的行人记忆特征并初始化；