[发明专利]基于摄像头风格迁移和单标注的行人重识别方法及系统

权利要求书

1.基于摄像头风格迁移和单标注的行人重识别方法，其特征是，包括：

获取待进行行人重识别的若干张无标签图像；

对待进行行人重识别的所有无标签图像中的一张图像，标记待识别的行人；

将已标记的图像输入到预训练的cycleGAN网络，输出已标记的图像中每一张图像对应的若干个摄像头风格迁移图像，实现数据扩增；对已标记的图像对应的摄像头风格迁移图像的行人进行标记；

将未标记的图像到预训练的cycleGAN网络，输出未标记的图像中每一张图像对应的若干个摄像头风格迁移图像，实现数据扩增；

将已标记的图像、未标记的图像、已标记的图像对应的摄像头风格迁移图像和未标记图像对应的摄像头风格迁移图像均输入到预训练的CNN网络中，输出未标记图像中每一张图像中待识别行人的识别结果。

2.如权利要求1所述的方法，其特征是，所述预训练的cycleGAN网络，训练的步骤包括：

S31：构建cycleGAN网络；

S32：构建训练集；

S33：将训练集中某一个摄像头a采集的含有行人b的图像作为cycleGAN网络的输入值，将训练集中除了摄像头a以外的其他所有摄像头采集的含有行人b的图像作为cycleGAN网络的输出值，对cycleGAN网络进行训练，得到训练好的cycleGAN网络。

3.如权利要求2所述的方法，其特征是，所述训练集，包括：Market-1501数据集或DukeMTMC-reID数据集。

4.如权利要求1所述的方法，其特征是，所述预训练的CNN网络，训练的步骤包括：

S41：利用ImageNet数据集对CNN网络进行初级训练；初级训练过程中，图像作为CNN网络的输入值，图像的行人标签作为CNN网络的输出值；

S42：利用有真实标签数据集对初级训练后的CNN网络进行二级训练；二级训练过程中，有真实标签数据集中的图像作为初级训练后的CNN网络的输入值，有真实标签数据集中的图像的行人标签作为初级训练后的CNN网络的输出值；

S43：利用待进行行人重识别的若干张无标签图像，对二级训练后的CNN网络进行三级训练；三级训练过程中，所有的无标签图像作为二级训练后的CNN网络的输入值，二级训练后的CNN网络输出伪标签集合；对伪标签的可靠性进行甄别，保留可靠性高于设定阈值的伪标签，将可靠性低于设定阈值的伪标签进行剔除；

S44：利用有真实标签数据集和带有高可靠性伪标签的数据集，输入到三级训练后的CNN网络进行最终训练；得到训练好的CNN网络。

5.如权利要求4所述的方法，其特征是，所述S42中，有真实标签数据集对初级训练后的CNN网络进行二级训练步骤之前，还包括：

将有真实标签数据集，输入到训练好的cycleGAN网络中，进行数据扩增。

6.如权利要求4所述的方法，其特征是，利用待进行行人重识别的若干张无标签图像，对二级训练后的CNN网络进行三级训练步骤之前，还包括：

将待进行行人重识别的若干张无标签图像，输入到训练好的cycleGAN网络中，进行数据扩增。

7.如权利要求4所述的方法，其特征是，所述S43中，对伪标签的可靠性进行甄别，具体步骤包括：

计算伪标签对应的行人图像特征与同一个行人的真实标签对应的行人图像特征之间的距离，如果距离小于设定阈值，则表示当前伪标签为可靠伪标签；否则表示当前伪标签为非可靠伪标签。