[发明专利]一种基于单样本的半监督行人重识别方法

说明书

本发明公开了一种基于单样本的半监督行人重识别方法，包括以下步骤：步骤1、设置单样本数据集；步骤2、设计网络结构；步骤3、网络训练；步骤4、有标签数据以及伪标签数据损失计算：有标签数据以及伪标签数据的交叉熵损失和部件分割损失相结合；步骤5、无标签数据预测伪标签；步骤6、无标签数据损失计算；步骤7、损失函数融合；步骤8、迭代步骤3‑7，采用渐进式方式不断从无标签数据中分配伪标签数据，直到所有无标签数据都分配为伪标签数据。通过本发明的方法减小部件不对齐对行人重识别性能的影响，并且通过多分支网络以及损失函数融合使网络产生更强的约束，能够有效提高模型提取特征的能力，取得更为突出的行人重识别性能。

技术领域

本发明属于计算机视觉技术领域，特别涉及一种基于单样本的半监督行人重识别方法。

背景技术

行人重识别是跨摄像头下的行人匹配任务，目的是在给定的数据库中寻找相同身份的行人。由于标注样本耗费大量的人力物力，因此，出现了半监督行人重识别方法以及无监督行人重识别方法，本发明的目的是提出一种基于单样本的半监督行人重识别方法。

基于单样本的半监督行人重识别，即在单一摄像头下，每一个身份的行人仅标注一个样本，其余的图像都是无标签样本。在模型优化的过程中，根据标签样本与无标签样本特征之间的距离为无标签样本分配伪标签，因此，标签样本、无标签样本以及伪标签样本共同参与网络的模型优化。在分配伪标签时，无标签样本距离标签样本特征越近，则置信度越高，即为无标签样本预测的伪标签越可靠。

虽然现有方法减小了监督学习的行人重识别任务的标注成本，但是仍然存在一些问题。首先，由于监控视频下的行人姿态变化可能导致行人部件不对齐，相同身份的行人在不同摄像机下外观特征差异大，基于单样本的半监督行人重识别仅具有少量的有标签数据，更是加大了这一影响；其次，由于行人重识别数据集的特点是人体图像结构固定，并且不同行人图像之间存在如衣着、姿态等细粒度方面差异，仅利用全局特征不能获取更好的行人重识别性能，因此难以区分具有相似外观的不同行人。同理，基于单样本的半监督行人重识别任务面临更大的挑战。

发明内容

针对现有技术存在的不足，本发明提供一种基于单样本的半监督行人重识别方法，从以下两个方面进行改进：

(1)针对行人的人体部件不对齐的问题，本发明使用部件分割约束对有标签数据和无标签数据以及伪标签数据进行部件分割训练，模型优化过程中通过结合部件分割任务，使所有的样本实现部件对齐，帮助模型学习数据更好的特征，减小部件不对齐对行人重识别性能的影响；

(2)针对不同行人图像之间存在如衣着、姿态等细粒度方面差异的问题，本发明设计了多分支网络结构，并且通过损失函数融合的方式，自动学习具有区分性的特征，能够有效提高模型提取特征的能力，取得更为突出的行人重识别性能。

为了解决上述技术问题，本发明采用的技术方案是：

一种基于单样本的半监督行人重识别方法，包括以下步骤：

步骤1、设置单样本数据集：从单样本数据集中每个类别下的每个相机图像中各随机选取一张为有标签数据，其余的为无标签数据；

步骤2、设计网络结构：设计多分支网络结构，在网络结构中添加部件分割模块；

步骤3、网络训练：模型第一次训练时，网络的训练包括少量有标签数据的部件分割任务以及分类任务、大量无标签数据的部件分割任务以及预测伪标签和计算排斥损失；随着迭代训练次数的增加，网络的训练过程为端到端的多任务训练包括有标签数据以及伪标签数据的部件分割任务以及分类任务、无标签数据的部件分割任务以及预测伪标签和计算排斥损失；

步骤4、有标签数据及伪标签样本损失计算：有标签数据及伪标签样本的交叉熵损失和部件分割损失相结合，伪标签样本当作标签样本参与网络的训练；

步骤5、无标签数据预测伪标签：采用近邻算法为无标签数据分配伪标签；