[发明专利]行人身份再识别方法及存储介质

说明书

本申请公开了一种行人身份再识别方法及存储介质，该方法包括：对图像识别神经网络模型进行调整；检测调整后的图像识别神经网络模型的识别准确度；根据所述识别准确度判断所述图像识别神经网络模型是否训练完成；若是，则利用训练完成的图像识别神经网络模型针对行人图像进行身份再识别处理；若否，则转向所述对图像识别神经网络模型进行调整。本申请实施例提供的行人身份再识别方法，兼顾视觉相似性和时间一致性，实现无监督行人身份再识别，具有更强的鲁棒性和更好的性能，可以用于无标记信息的情况下提取具有高判别力和高鲁棒性的行人特征，可应用于行人的准确检索与匹配。

技术领域

本申请涉及计算机视觉技术领域，具体涉及一种联合视觉相似性和时间一致性的无监督的行人身份再识别方法及存储介质。

背景技术

行人身份再识别(ReID)的目的是通过匹配他/她的图像或视频序列来识别摄像头网络中的行人，该技术有很多有前景的应用，如智能监控和刑事调查。

近年来，有监督的行人身份再识别(ReID)技术在从带标签的人物图像和视频中进行区别特征学习方面取得了显著进展。然而，有监督的行人身份再识别方法依赖于大量标记成本昂贵的已标记数据。当转换到不同的目标域时，在源域上训练的深度模型的性能会显著下降。这些问题导致在实际应用程序中部署有监督的ReID模型变得困难。

为了解决这个问题，研究人员将注意力集中在无监督学习上，无监督学习可以利用大量的未标记数据进行训练。与有监督学习相比，无监督学习减少了昂贵的数据注释需求，因此更有可能将行人ReID推向真实应用。最新的研究将无监督的行人ReID定义为利用其他领域已标记数据的转移学习任务。相关工作可归纳为两类：(1)利用生成性对抗网络(GAN，Generative Adversarial Network)将图像风格从已标记的源域转移到未标记的目标域，同时保留用于训练的身份标签；或(2)对源域上的深层模型进行预训练，然后对目标域中未标记的数据进行聚类以便估计用于训练的伪标签。第二类显著提高了无监督行人ReID的性能。然而，在有监督的和无监督的行人ReID之间仍然存在相当大的差距。原因可能是因为很多人都有相似的外表，而同一个人可能会呈现出不同的外表，导致不可靠的标签判断。因此，更有效地利用未标记数据的方法仍有待研究。

发明内容

本申请的目的是提供一种行人身份再识别方法及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本申请实施例的一个方面，提供一种行人身份再识别方法，包括：

对图像识别神经网络模型进行调整；

检测调整后的图像识别神经网络模型的识别准确度；

根据所述识别准确度判断所述图像识别神经网络模型是否训练完成；

若是，则利用训练完成的图像识别神经网络模型针对行人图像进行身份再识别处理；

若否，则转向所述对图像识别神经网络模型进行调整。

进一步地，所述对图像识别神经网络模型进行调整，包括：

获取图像识别神经网络模型的整体损失；

利用所述整体损失更新所述图像识别神经网络模型。

进一步地，所述获取图像识别神经网络模型的整体损失，包括：

获取已标记源域上的最小化交叉熵损失；

通过自适应分类模型获取最小化分类局部损失；

通过时间引导的聚类模型获取多标签分类全局损失；