[发明专利]一种面向行人重识别的自适应弱监督标签标记方法

说明书

本发明公开了一种面向行人重识别的自适应弱监督标签标记方法：获取不同摄像头下的行人图像数据集，且各摄像头下的样本图像带有各自的身份标签；基于RetinaFace网络对行人图像样本进行人脸检测，划分高噪人脸、低噪人脸和未检测出人脸的图像，并将高噪人脸通采用Swin‑Conv‑UNet网络进行图像降噪；分别对检测出人脸的图像和未检测出人脸的图像进行特征提取得到特征向量Fsubgt;1/subgt;和Fsubgt;2/subgt;；分别对Fsubgt;1/subgt;和Fsubgt;2/subgt;进行两两余弦相似度计算，将不同摄像头下相似度最高的两个样本图像定义为同一行人并打上相同身份关联标签；将学习到的身份关联标签更新到训练数据集中，由网络进行迭代。本发明基于当前单摄像头内已有的行人身份标签，实现多摄像头下的关联标签增量更新，有效的降低了数据标记的成本。

技术领域

本发明计算机视觉技术领域，涉及一种面向行人重识别的自适应弱监督标签标记方法。

背景技术

行人重识别是利用计算机视觉技术在不同场景以及不同摄像头下的检测识别监控或图像中是否有特定行人的技术，其本质是跨摄像头的行人搜索问题。随着现代社会的快速发展，城市公共安全问题越来越多的关注，大量摄像头被广泛应用于厂区、商城、学校等人流密集的公共场所，行人重识别作为监控研究领域的关键组成部分，起到了非常重要的作用。

目前行人重识别训练方法主要利用含有大量跨摄像头身份标签的训练数据，这一过程主要分为两个阶段：1、单摄像头内的行人身份标签标注；2、多摄像头之间的行人身份关联标签标注。其中第一阶段单摄像头的行人身份标签标注一般通过人工标注的方式就能较好的解决，但第二阶段跨摄像头身份关联标签的标注是一个非常繁琐的过程，因为不同摄像头之间可能存在比较大的差异，比如光照、角度等，这需要数据标注员将不同摄像头下的行人身份进行比对。另外，如果标注任务是多人协作的情况下，还需要保证数据标注员之间给相同的行人身份保持一致，而这需要花费大量人力成本手动标记身份关联标签。

针对手动标记成本问题，相关技术又提出了基于无监督学习的行人重识别研究，无监督的行人重识别方法不需要手动标记身份标签信息，但存在模型性能不足的问题。为此

发明内容

发明目的：针对背景技术中指出的问题，本发明提出了一种面向行人重识别的自适应弱监督标签标记方法，只需基于当前单摄像头内已有的行人身份标签，通过自动化的方式实现多摄像头下的关联标签增量更新，丰富了多摄像头下行人的身份关联标签，有效降低了数据标记的成本。

技术方案：本发明公开了一种面向行人重识别的自适应弱监督标签标记方法，包括如下步骤：

步骤1：获取不同摄像头下的行人图像训练数据集V，且每个样本图像带有各自的身份标签，并进行预处理；

步骤2：基于RetinaFace网络对行人图像样本进行人脸检测，根据检测结果划分为检测出人脸的图像和未检测出人脸的图像，其中检测出人脸的图像再进行噪声度量，将其分为高噪人脸和低噪人脸，并将高噪人脸采用Swin-Conv-UNet网络进行图像降噪；

步骤3：分别对检测出人脸降噪处理后图像集合U₃和未检测出人脸的图像集合V₂通过卷积神经网络进行特征提取得到行人人脸图像特征向量集合和行人全局特征向量集合

步骤4：分别对F₁和F₂中不同摄像头图像样本进行两两余弦相似度计算，将不同摄像头下相似度最高的两个样本图像定义为同一行人并打上相同身份关联标签；

步骤5：将学习到的身份关联标签更新到训练数据集中，由网络进行迭代，再计算损失进行标签增量更新训练，不断将新的关联标签放到下一次的训练中作为基础标签集。

进一步地，所述步骤2中基于RetinaFace网络对行人图像样本进行人脸检测具体如下：