[发明专利]基于低秩先验引导的域不变信息分离的行人重识别方法

说明书

本发明涉及一种基于低秩先验引导的域不变信息分离的行人重识别方法，属于计算机视觉领域。将域不变信息嵌入到字典学习框架内，构建了跨数据集无监督行人再识别的判别字典学习模型。根据风格信息的低秩先验性，该模型能将混叠在行人图像特征中的域信息和反映行人特征的域不变信息分离开来；同时，鉴于行人属性所具有的域不变性，将属性作为域之间的纽带，用于构建源数据集与目标数据集之间的关系，缩小两者之间的域偏移。最后，通过一种自训练策略来微调之前学习的参数。实验表明，本方法在很多数据集上接近甚至超过了有监督非深度学习以及基于深度学习的无监督域自适应行人重识别的性能。

技术领域

本发明涉及一种基于低秩先验引导的域不变信息分离的行人重识别方法，属于计算机视觉领域。

背景技术

行人重识别是一种从不同摄像头下的多张行人图片中搜索相同行人图片的技术。由于该技术在智能监控中发挥着重要作用，因此在学术界和工业界都引起了极大关注。在实际监控环境中，摄像头所拍摄的行人图像往往具有较低的分辨率，同时由于视角差异、光照变化，行人在不同视角下常表现出较强的外貌歧义性，这给行人重识别带来了极大挑战。虽然，基于深度学习的行人重识别近几年在性能上有了显著提升，然而这些方法大多是有监督的学习方法，需要大量的标记样本来训练模型，而大规模样本的标记极其耗费人力物力，这极大地限制了行人重识别技术的适用性。此外，这类有监督的识别方法，在源数据集上训练后，部署到新的数据集上，由于不同数据集之间域的偏畸，性能会显著下降。

为解决该问题，最近的一些工作聚焦在了无监督域自适应行人重识别方法的研究上。这些方法主要通过无监督域不变特征的设计和提取、基于对抗学习的域对齐或图像风格迁移等手段来降低源域与目标域之间空白。然而，无监督域不变特征的设计方法往往很难从数据分布中挖掘信息丰富的判别信息；基于对抗学习的域适应方法常通过不同域特征之间的对抗学习来实现域的对齐，但在对抗学习过程中，提取到的特征往往是来自不同域样本的共有信息，而丢失了不同域样本之间的独有信息，容易加剧样本特征之间的歧义性。基于图像风格迁移的方法虽然有效，但却容易导致迁移图像标签漂移。在行人重识别之外，无监督域自适应的方法也受到了广泛关注，取得了较为显著的研究进展，但这些方法往往假设源域和目标域具有相同或部分相同的类，这种假设和行人重识别的情况不符。此外，在无监督域自适应的方法中，源域和目标域之间往往是单域与单域的问题。但在行人再识别中，带标签的源数据集和不带标签的目标数据集往往都含有多个相机视角(每个相机视角可看成一个域)，因此无监督域自适应的方法不能直接推广应用到行人重识别中。

发明内容

本发明的目的在于针对现有技术的缺点和不足，提出一种基于低秩先验引导的域不变信息分离的行人重识别方法。

本发明采用的技术方案是：一种基于低秩先验引导的域不变信息分离的行人重识别方法，包括如下步骤：

首先，提出低秩成分分解的字典学习模型，将不同相机视角下的行人图像特征，分解成具有低秩特性的风格信息和具有判别性的行人信息，通过将分解出来的风格信息去除，利用剩下的行人信息来训练判别字典学习模型，并将行人信息在其对应字典下的判别系数作为行人的潜在身份特征，用于行人身份判别性度量的依据；

其次，在字典学习模型内，嵌入了属性与特征关联模块，挖掘属性与特征之间的关系，构建从特征到属性的映射，搭建源域与目标域之间的桥梁，在字典学习模型中引入了自重构约束以及身份判别特征与标签一致性约束；

最后，通过选择信任度高的伪标记样本来更新模型，使其更适应目标域数据的识别。

具体步骤如下：