[发明专利]一种基于随机线性插值的行人再识别数据增强方法

说明书

本发明公开了一种基于随机线性插值的行人再识别数据增强方法，采用随机线性插值方法用以增加原始行人再识别数据集中的样本数量，并且利用了大量的具有不同遮挡等级的行人图像样本，以获得数据集中更加丰富的行人数据分布信息。然后，通过使用基准的深度学习网络模型对增强后的数据集进行学习，提升了模型的泛化能力，降低行人再识别的Rank‑1匹配的误差。

技术领域

本发明涉及视频监控和数据处理领域，具体涉及一种基于随机线性插值的行人再识别数据增强方法。

背景技术

随着深度学习的快速发展，越来越多的卷积神经网络模型有效地处理图像分类，目标检测等问题计算机视觉任务，但是为了保证大型卷积网络模型对于小规模数据的泛化能力，尤其是当识别不同摄像机视角中的行人，正在面临着数据集较小的挑战，数据增强方法显得十分重要。传统的数据增强方法都是对单一的数据进行增强，包括了随机裁剪，随机翻转和随机擦除等算法，而在行人再识别数据集上，考虑到卷积网络模型需要对具有遮挡和不同灯光背景的数据样本有很好的识别能力，只针对单个样本的数据增强方法略有不足。因此，为了使得卷积神经网络模型对复杂背景样本识别的泛化性提高，基于样本间的数据增强方法应运而生。

数据增强是一种数据预处理方法，它是从原始数据集中生成新的训练样本，被广泛用于增加图像中数据集的大小。而且，数据增加由于具有降低过拟合风险的能力，因此在深度学习中起着关键作用。图像的数据增强分成两种常用的方法：第一种方法侧重于改变图像中像素点的位置分布，如随机旋转，这种方法优点在于能够增加样本在不同方向上的数据，使得神经网络模型能够对于不同角度的样本识别具有鲁棒性；第二种方法侧重于改变图像中像素点的值，如随机擦除，这种方法优点在于对于网络模型来说，像素值的改变意味着能够让神经网络学习到新特征，并且能够更加鲁棒的对一个具有噪声的样本进行学习，能够提高对有噪声样本的识别的泛化性。

在对行人再识别数据集进行训练时，第二种方法效果会更好一些，但是目前比较先进的方法随机擦除仅仅考虑了样本本身的像素值改变，这会使得模型对于数据集中的数据分布的学习具有局限性，进一步提高卷积神经网络模型对于行人再识别数据集中数据分布的学习能力，成为了行人再识别中亟待解决的一个问题。

发明内容

本发明的目的是提供一种基于随机线性插值的行人再识别数据增强方法，以进一步提高行人再识别的准确率。

为了实现上述任务，本发明采用以下技术方案：

一种基于随机线性插值的行人再识别数据增强方法，包括以下步骤：

步骤1，通过监控系统捉视角不交叉的不同相机下同一个行人的照片，再将不同行人照片中行人图像分别截取出来，构成该行人的图像数据集；利用不同行人的图像数据集构建行人再识别数据集，并将其划分为训练集和测试集；

步骤2，初始化随机线性插值的插值强度参数，设置训练集中需要被增强的样本比例，将待增强的样本与训练集中的随机一个样本进行插值操作，生成新的样本，然后对待增强的样本进行重新标记；

步骤3，将生成的新的样本和训练集中的样本混合作为输入层，使用卷积神经网络模型进行训练，设定训练代数，当模型的损失函数收敛或者达到训练代数，则进行步骤4，否则更新步骤3；

步骤4，步骤3中训练好的模型获得了不同相机拍摄的照片中行人图像的映射关系，利用训练好的模型对测试集中的行人图像进行匹配预测，得到识别的结果。

进一步地，所述的步骤2具体包括：

步骤2.1，首先通过贝塔分布Beta(α,β)生成随机线性插值的强度μ，这里α＝β是贝塔分布的参数；

步骤2.2，将训练集平均划分成k个样本的批训练数据，设定需要被数据增强的样本比例γ，然后利用下式进行插值操作，得到新的样本的特征，从而得到新的样本；