[发明专利]一种基于半监督学习的行人重识别方法、装置及存储介质

说明书

本发明提供一种基于半监督学习的行人重识别方法、装置及存储介质，方法包括以下步骤：获取行人图像数据集，从所述行人图像数据集中选择若干图像作为训练分类数据集；对所述训练分类数据集进行聚类处理，得到伪标签数据集；将所述伪标签数据集作为训练数据集输入到预设的行人重识别网络模型进行迭代训练，得到最终的行人重识别网络模型；将所述行人图像数据集输入到最终的行人重识别网络模型进行识别，得到行人重识别结果。本发明提供的基于半监督学习的行人重识别方法相比于监督学习的方式，大大降低人工标注行人重识别数据工作量，并且提高了行人重识别算法的精度。

技术领域

本发明涉及人工智能识别技术领域，特别涉及一种基于半监督学习的行人重识别方法、装置及存储介质。

背景技术

在现今人工智能深度学习技术快速发展的时代，计算机视觉技术在视频监控、安防及刑侦等领域中发挥了巨大应用价值。

大量视频监控带来的视频大数据，人们已经无法使用人工眼力完成视频行人的搜索，此时使用人工智能计算机视觉技术来完成此大数据任务就变得更紧要。行人重识别技术(Person Re-identification)是一种利用计算机视觉技术，旨在大规模的分布式监控系统中搜索判断是否存在特定行人的技术，也称作行人再识别，简称为Re-ID。在监控视频中，由于摄像机分辨率和视场角度的不同等原因，通常无法得到满足人脸识别要求的人脸图片，在人脸识别失效的情况下，行人重识别就成为了一个非常重要的行人识别技术来完成行人的识别。

目前的行人重识别学习模型训练是基于有监督学习开展的，基于监督学习的行人重识别算法训练需要提供大量的标注数据，而有标签的数据相对难以获得，当需要标注的数据量很大的时候，使用人工标注来自不同摄像头不同姿态的行人数据时，会花费巨大的人力物力成本，人工几乎无法完成达到需求的数据集标注，受此局限导致行人重识别的正确性和精确性还有待提高。

所以，现有技术中基于有监督学习开展的行人重识别技术需要使用大量的标签数据来进行实现，导致存在成本高且重识别准确率低的问题。

发明内容

为了克服目前现有技术中基于有监督学习开展的行人重识别技术需要使用大量的标签数据来进行实现，导致存在成本高且重识别准确率低的问题，本发明提供基于半监督学习的行人重识别方法、装置及存储介质。

本发明为解决上述技术问题，提供一技术方案如下：

一种基于半监督学习的行人重识别方法，包括如下步骤:

获取行人图像数据集，从所述行人图像数据集中选择若干图像作为训练分类数据集；

对所述训练分类数据集进行聚类处理，得到伪标签数据集；

将所述伪标签数据集作为训练数据集输入到预设的行人重识别网络模型进行迭代训练，得到最终的行人重识别网络模型；

将所述行人图像数据集输入到最终的行人重识别网络模型进行识别，得到行人重识别结果。

优选地，所述对所述训练分类数据集进行聚类处理，得到伪标签数据集的步骤，具体包括：

对所述训练分类数据集进行特征提取，得到训练分类数据特征；

计算所述训练分类数据特征之间的相似度，将所述训练分类数据特征之间的相似度与预设的第一判断阈值进行比较，筛选并保留符合所述第一判断阈值要求的所述训练分类数据特征，得到伪标签数据集。

优选地，所述计算所述训练分类数据特征之间的相似度，将所述训练分类数据特征之间的相似度与预设的第一判断阈值进行比较，筛选并保留符合所述第一判断阈值要求的所述训练分类数据特征，得到伪标签数据集的步骤，具体包括：

计算所述训练分类数据特征之间的相似度，根据所述训练分类数据特征之间的相似度构建所述训练分类数据集的特征无向图网络；