[发明专利]基于双一致性约束的行人再识别技术

说明书

本发明设计了一种基于双一致性约束的行人再识别技术，属于计算机视觉图像技术领域。针对目前行人再识别模型过拟合至训练相机，难以泛化到新相机的问题，本发明提出了分布一致性约束以及知识一致性约束，引导模型提取相机无关特征。分布一致性约束要求不同相机的输出特征服从一致分布，由相机分布对齐损失函数实施。知识一致性目的是要求模型在不同相机中学习到的参数更新相似，由知识一致正则化向实施。实验结果表明我们的策略能够提升模型过滤相机信息，提取相机无关特征的能力，有效地增强模型对新相机的泛化能力。

技术领域

本发明属于计算机视觉图像技术领域，是一种基于双一致性约束的行人再识别技术。

背景技术

行人再识别目的是在跨相机视角下检索特定的行人。该技术是智能监控领域的关键技术之一，对社会安全有着重要作用，如嫌犯追踪，失踪人口找寻等。在复杂的真实场景中，相机镜头，传感器，角度的多变导致来自不同相机的图像包含不同的相机信息。相机信息之间的差异极大的阻碍了模型在不同相机之间的行人识别。因此如何提取既具鲁棒性又不失识别能力的行人特征，消除模相机信息的负面影响成为行人再识别要解决的关键问题。

早期的行人再识别方法主要采用传统方法。传统方法包括特征提取和特征匹配。前者主要是设计具有鲁棒和判决的特征描述子，用以提取行人的外观特征，例如颜色、纹理等底层特征以及语义属性等高层特征。对于后者，一些研究人员逐渐从数据驱动的角度，利用各种统计机器学习方法，设计了大量的特征匹配算法。这些算法主要以度量学习、子空间学习以及字典学习为主，旨在通过某种规则或者学习方法挖掘行人特征的本关联。然而，传统方法仍有诸多不足之处。一方面，由于真实场景复杂多变，仅利用设计好的固定描述子提取行人特征，并不能有效地表征行人跨视角条件下的固有信息，特别是在遇到亮度变化，遮挡以及背景聚类等情况时，行人特征很容易失去辨别力。另一方面传统方法是一种分离的，非端到端的处理模式，它的特征表示和特征匹配是分开处理的。因此，传统方法很难通过一个单一的模型权衡特征提取和特征学习之间的联系，并不能充分地挖掘不同摄像机下行人的内在联系。上述问题使得传统方法在行人再识别的发展中逐渐被边缘化。

卷积神经网络是一种专门用来处理具有类似网格结构的数据的结构。由于卷积神经网络在数据中表现出的局部感知能力以及多尺度局部特征提取能力，该结构网络对提取来自数据内潜在的特征表示非常有效。随着卷积神经网络在图像分类领域的成功，基于深度学习的行人再识别方法得到了广泛的研究。这些方法利用卷积神经网络有效地学习高层语义特征，能够提取更具鲁棒性和判决性的身份特征。同时，这些方法将特征提取与特征匹配融合到一个统一的端到端框架，能够更好地利用所提取的身份特征对匹配行人。因此，基于深度学习的方法已经成为行人再识别领域的主流。

在消除相机信息方面，现有的基于深度学习的方法通过联系数据集中的跨相机同身份图像，隐式的培养模型消除相机信息的能力。然而，这种策略更注重于图像与图像之间的差异，而相机信息的影响一定程度被忽略。因此，现有的方法难以充分的学习消除相机信息的影响，相反的，这些方法更倾向于学习训练相机之间的联系。这使得训练后的模型仅能特定地处理训练相机，难以泛化到未见过的相机。这严重阻碍了行人再识别模型在真实场景中的应用。

发明内容

本发明的目的在于克服现有技术的不足，充分考虑行人再识别任务的特点，提出一种学习过滤相机信息的方法，使行人再识别模型能够提取相机无关特征，增强其泛化至新相机的能力。这样，模型就能够在训练之后被直接应用到各种场景中。

本发明解决其技术问题是采取以下技术方案实现的：

基于双一致性约束的行人再识别技术，其特征在于包括以下步骤：

步骤1、将原始多个相机的数据按其相机标签进行抽样，形成训练批次；

步骤2、对于每一个训练批次，将测试集全部图像输入深度卷积网络模型，提取全局池化后特征作为身份特征；