[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

说明书

本发明公开了基于摄像头风格迁移和单标注的行人重识别方法及系统，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，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。

技术领域

本公开涉及行人重识别技术领域，特别是涉及基于摄像头风格迁移和单标注的行人重识别方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

行人重识别(re-ID)是通过利用计算机视觉相关技术来寻找图像库或者视频序列中特定行人的技术，即给定感兴趣的行人，从其他多个监控摄像头数据或者图片中对给定行人进行目标检索。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

在行人重识别的研究中，通常用到的方法是监督学习，监督学习的训练集要求包括输入输出对，也就是特征和带有标签的目标，这个标签是由人工标注的，通过数据的训练，让机器找到特征与目标标签之间的关系，输入一个新的特征时，可以判断出标签，即从给定的训练数据集中学习出一个模型，然后根据这个模型得到新数据的预测值。为了得到一个相对较好的识别模型，需要大量的图片，和对应的人工标注的标签，而人工标注的过程需要耗费大量的人力以及时间。与监督学习不同，无监督学习的输入数据没有标注，也没有确定的结果，直接学习输入特征之间的内在联系，虽然这种方法听上去更加智能，但是因为没有目标的指引，完全的无监督学习取得的效果并不理想。

现有基于单样本的研究大都集中于伪标签的选取上。M.Ye,A.J.Ma,L.Zheng,J.Li,and P.C.Yuen,“Dynamic label graph matching for unsupervised video re-identifification,”in Proc.IEEE Int.Conf.Comput.Vis.,Oct.2017,pp.5152–5160.和H.Fan,L.Zheng,C.Yan,and Y.Yang,“Unsupervised person re-identifification:Clustering and fifine-tuning,”ACM Trans.Multimedia Comput.Commun.Appl.,vol.14,no.4,p.83,Oct.2018.采用静态策略来确定伪标签的数量，然后进行下一步的训练。在迭代过程中，这些算法始终固定伪标签训练集的大小。

Wu Y,Lin Y,Dong X,et al.Exploit the Unknown Gradually:One-Shot Video-Based Person Re-identification by Stepwise Learning[C]//2018 IEEE/CVFConference on Computer Vision and Pattern Recognition(CVPR).IEEE,2018.提出了一种渐进式学习框架，在有限的样本中更好的利用了未标记数据进行行人重识别的训练。这个算法最初在单标注样本的数据上训练一个CNN模型，然后为所有的未标记的样本生成一个伪标记，根据预测置信度选择一些最可靠的伪标记数据进行训练。与前一方法不同的是，它的伪标签训练集的数量不是固定的，是根据采样策略不断扩大的。相比之下，动态的增加伪标签的数量在迭代过程中获得了更好的效果。然而，上述的方法都没有考虑跨摄像头的行人检索问题。