[发明专利]一种基于SP-PGGAN风格迁移的行人重识别方法

说明书

本发明提出了一种基于SP‑PGGAN风格迁移的行人重识别方法。该方法包括：基于CycleGAN构建SP‑PGGAN模型；将有标注的行人重识别数据集的训练集和无标注的行人重识别数据集的训练集同时输入到SP‑PGGAN模型进行训练，即有标注的行人重识别数据集的训练集通过生成器G得到迁移后的有标注的行人重识别数据集的训练集；利用行人重识别模型IDE对迁移后的有标注的行人重识别数据集的训练集进行分类网络的训练，得到训练好的IDE模型；将无标注的行人重识别数据集的测试集输入到训练好的IDE模型中，实现无标注数据集的行人重识别。由于本发明设计的SP‑PGGAN迁移模型在风格迁移的过程中更加准确，所以可以很大程度地提升无标注数据集的行人重识别效果。

技术领域

本发明属于计算机视觉领域，具体涉及深度学习、对抗网络、图像处理、特征提取等技术。本发明提出的基于SP-PGGAN风格迁移的行人重识别方法能实现有标注数据集到无标注数据集的风格迁移，并且在有标注数据集迁移过后训练的行人重识别网络能提升无标注数据集行人重识别的效果。

背景技术

行人重识别(Person Re-identification)也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。近几年，行人重识别在计算机视觉领域获得了越来越多的关注。行人再识别具有广阔的应用前景，包括行人检索、行人跟踪、街头事件检测，行人动作行为分析等等。解决这一课题面临着诸多挑战，其中一个挑战是对大量有标注训练数据的需求，本发明针对这一挑战，提出了一种有效的迁移模型，使得有标注的数据训练的模型能更好地运用到无标注数据集上，提升了无标注数据的行人重识别准确率。

现有的针对无标注数据的行人重识别数据集，多是采用在有标注的数据集上进行训练，训练完成后的模型直接用于无标注数据集的测试。这样直接迁移，由于两个数据集的底层分布不同，直接用来测试的行人重识别准确率并不高。近年来，随着对抗网络的发展和迁移技术的进步，使得使用非配对的数据集进行风格迁移成为了可能，即使是不同的底层分布的数据集也能很好地进行风格转换。在这种背景下，如何在CycleGAN的基础上进行更加准确的迁移是图像识别研究的热点之一，具有广泛的应用前景。

发明内容

本发明针对在行人重识别中数据标注困难的挑战，利用深度学习技术，提出了一种新的迁移模型SP-PGGAN，并在迁移模型的基础上实现了行人重识别。现有的针对无标注数据的行人重识别数据集，多是采用在有标注的数据集上进行训练，训练完成后的模型直接用于无标注数据集的测试。这样直接迁移，由于两个数据集的底层分布不同，直接用来测试的行人重识别准确率并不高。本发明首先构建了SP-PGGAN模型，然后将有标注的行人重识别数据集的训练集和无标注的行人重识别数据集的训练集同时输入到构建好的SP-PGGAN模型中进行风格迁移，得到的迁移后的有标注的行人重识别数据集的训练集进行IDE训练，然后在无标注的行人重识别数据集的测试集上实现了行人重识别。本发明的主要流程如附图1所示，可分为以下三个步骤：SP-PGGAN模型的构建、SP-PGGAN模型的风格迁移、行人重识别的实现。

(1)SP-PGGAN模型的构建

本发明首先构建了SP-PGGAN模型，其模型结构是在CycleGAN基础上进行的改进，CycleGAN本质上是两个镜像对称的GAN，构成了一个环形网络。两个GAN 共享两个生成器，并各自带一个局部判别器，即共有两个局部判别器和两个生成器。SP-PGGAN是在CycleGAN的基础上，保留了CycleGAN的生成器，并且在生成器生成后加入了孪生网络来指导生成器的生成过程。同时，将两个判别器替换成了并行的局部判别器和全局判别器。如图2，直观地表示本发明提出的 SP-PGGAN模型的发明点。

(2)SP-PGGAN模型的风格迁移