[发明专利]基于通道信息和全局信息互补的无监督行人重识别方法

说明书

本发明公开了一种基于通道信息和全局信息互补的无监督行人重识别方法，包括：获取无标签的图像；将所述图像输入到深度卷积神经网络中提取全局特征；将所述全局特征按照特征通道方向划分得到多个局部特征，计算每个全局特征及其局部特征之间的特征亲密度参数；根据所述特征亲密度参数、局部特征和全局特征，双向优化标签分类结果，得到抗噪的全局伪标签和平滑后的局部特征标签；将抗噪的全局伪标签和平滑后的局部特征标签作为图像标签，利用所述图像及其图像标签对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络；将待识别的图像输入训练好的深度卷积神经网络，根据所述深度卷积神经网络的输出，得到行人重识别结果。

技术领域

本发明涉及一种基于通道信息和全局信息互补的无监督行人重识别方法，属于数字图像处理技术领域。

背景技术

行人重识别旨在于匹配不同相机拍摄下的图像资源中标签名称相同的行人，实现在不同背景设定的情况下，完成对特定人物的检索。得益于深度卷积神经网络的快速发展，近期大量的相关研究取得了令人振奋的结果，但是这一切的成功都建立于我们的实验拥有大量甚至巨量的已标注图像资源，从而通过给定的标签信息、摄像头信息以及时间戳获取丰富的先验知识。因此，我们要考虑到实际应用场景中，如何在未标注图片之间寻找批判性特征表示，这有利于我们减少标记实例导致的时间消耗以及人力消耗。

应对缺少标注资源的问题，先前的实验主要利用K-means或者Density-BasedSpatial Clustering of Applications with Noise作为聚类方法，让计算机自己在众多杂乱的数据中找到他们潜藏的规律从而分割成多个簇，给每个簇分配一个伪标签。选取K-means应对大规模数据时，簇的数量必须要先设定好，但是我们很难在训练一开始时就准确的在可信范围内选定k的数值，同时，粗糙的聚类方法容易导致部分特征不明显数据的丢失，很难让我们获得足量的训练数据。因此，基于密度的聚类算法Density-Based SpatialClustering of Applications with Noise成为首选，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。当前无监督训练的过程一般是先进行聚类划分生成伪标签，然后通过携带伪标签的数据来优化神经网络。改进网络的工作不可避免的将关注重心集中在，如何进一步精炼伪标签的准确度来降低噪声，因为这对于网络的每一轮迭代都有着重要影响。

针对如何给图像数据集打上噪声含量更低的标签，学者们提出将迁移学习应用到无监督行人重识别上。主流的域自适应无监督重识别方法，例如葛艺潇等人在源域中使用带有标签的数据进行辅助训练，然后用源域中得到的模型提取出目标域里无标签数据的特征，然后再聚类并给每个聚类簇生成伪标签去训练模型。尽管最新的域自适应方法取得了接近有监督的精度结果，但是源域数据和目标域数据在特征空间上的分布差异依然是困扰学者们的一个核心问题。

不依赖已标注数据的无监督方法，它一般包含三个阶段：保存原始数据字典序、伪标签生成以及精炼、神经网络训练。林雨恬等人通过添加相机标签等辅助信息多次迭代训练，将相似的样本逐渐分成一个簇生成相同的伪标签。葛艺潇等人使用学生网络和教师网络细化伪标签。

发明内容

与现有技术中只考虑全局特征预测伪标签不同，本发明着力于多通道信息和全局信息的互补，在双向优化标签准确率的基础上提升人员重识别网络的性能。

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于通道信息和全局信息互补的无监督行人重识别方法，用差异信息作为精炼标签的条件，选取负样本作为判断全局标签准确率的阈值，再用可靠的全局标签平滑每个局部特征标签，在提高训练样本标签准确率的同时，较少人工成本，以满足行人重识别的落地部署。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

第一方面，本发明提供了一种基于通道信息和全局信息互补的无监督行人重识别方法，包括：

步骤1、获取无标签的图像；