[发明专利]一种无监督数据驱动的行人重识别方法

说明书

本发明公开了一种无监督数据驱动的行人重识别方法；首先构建并实现对轻量级行人重识别网络的预训练；接着利用行人重识别网络中的特征提取模块对来自实际场景的无标签数据进行特征提取；并通过特征的级联排序，利用数据特征对的排序列表以及列表中元素的二级排序列表的相似度，挖掘数据特征之间的相似关系，根据聚合度指标对有效的无标签数据进行行人身份标注；然后将自动标注身份的无监督数据随机替代原训练集的部分数据，实现对训练集的更新；最后利用更新后的训练集实现行人重识别网络的重新学习。本发明对实际应用场景无标签数据集进行类别自动标注，使行人重识别模型具有适应新应用场景的能力，改善了行人重识别模型的泛化特性。

技术领域

本发明涉及深度学习和机器视觉领域，具体涉及一种无监督数据驱动的行人重识别方法。

技术背景

行人重识别是机器视觉的重要研究内容之一，为了能够充分利用有限的有标签数据，传统行人重识别方法通常关注于网络层数的深度以及网络结构的复杂性，但这显然将导致计算和存储需求的大幅增加。另外必须指出的是，行人重识别网络普遍存在可泛化性不强的问题，在实验场景数据集上完成训练的模型，当面对来自实际应用场景的数据集时，由于非同源数据集之间具有不同程度的特征偏差，识别性能将急剧下降。考虑到即使对于同一摄像头，由于光线、季节以及天气变化等因素，也会导致其拍摄的图片风格大不相同，因此为了能够提高行人重识别模型的泛化能力，需要对各种应用场景下的无标签数据进行人工标注。但人工标注方式具有可实施性差以及人工成本高等缺点，因此如何对无标签数据集进行自动身份标注，实现无监督数据驱动的行人重识别具有重要的研究价值和应用前景。

发明内容

本发明针对现有技术的不足，提出了一种无监督数据驱动的行人重识别方法。

本发明提出了一种基于无监督数据驱动的行人重识别方法，首先利用来自实验场景的有标签数据进行训练集的初始化，构建并实现对轻量级行人重识别网络的预训练；接着利用行人重识别网络中的特征提取模块对来自实际场景的无标签数据进行特征提取；并通过特征的级联排序，利用数据特征对的排序列表以及列表中元素的二级排序列表的相似度，充分挖掘数据特征之间的相似关系，根据聚合度指标对有效的无标签数据进行行人身份标注；然后将自动标注身份的无监督数据随机替代原训练集的部分数据，实现对训练集的更新；最后利用更新后的训练集实现行人重识别网络的重新学习。由于上述训练集更新与行人重识别网络重新学习的过程具有可持续性，因此识别网络将能适应包括天气、光线、设备安装条件等在内的各种因素，识别网络的可泛化性能将得到显著提升。本发明的方法步骤如下：

步骤1：构建具有可持续学习能力的行人重识别网络，该网络由特征提取和分类两个模块构成，特征提取模块包括3个卷积层、6个inception中间层以及1个特征输出层，其中inception结构中增加5×3卷积核以适应行人特征的长宽比特性；分类模块则对应于行人身份识别层。网络中的卷积层和特征输出层的输出都需要经过批量归一化和relu函数激活，行人身份识别层的输出则需经过softmax函数激活。

步骤2：利用来自实验场景的有标签行人数据对训练集进行初始化，然后对步骤1中构建的行人重识别网络进行预训练，实现网络参数的初始化。网络的损失函数Loss选择交叉熵算法，如式(1)所示，在训练过程中，采用基于动量的梯度下降法更新优化网络参数。

其中y_ij∈{0,1}，为已知的二值标签，表示训练集第i个数据是否对应于第j个行人身份，取“1”值时表示对应，取“0”值表示不对应；为行人重识别网络的输出，表示训练集第i个数据是否对应于第j个行人身份的预测概率值；M，N分别表示训练集行人数据总数和不同行人身份总数。

步骤3：在实际应用场景下，构建实时采集的无标签行人数据集，数据总数记为M_unlabel。针对步骤2中完成预训练的行人重识别网络，输入无标签行人数据集中的第i个数据，得到行人重识别网络中特征提取模块的输出，即对应于第i个无标签行人数据的特征，记为1024维特征向量