[发明专利]基于相机风格和人体姿态适应的半监督人物重识别方法

说明书

本发明公开了一种基于相机风格和人体姿态适应的半监督人物重识别方法，包括：选取涵盖所有身份、所有相机风格的有标签数据的步骤；对所述的有标签数据进行数据扩充、生成相机内不同姿态的图像和相机间不同风格的图像的步骤；扩充后的有标签数据联合无标签数据一起训练网络模型的步骤；以无标签数据与有标签数据特征之间的平均距离和各类别图像的个数相约束的策略进行伪标签分配的步骤。本发明解决了现有技术的有标签数据量少的问题和伪标签分配不合理的问题。

技术领域

本发明属于深度学习和机器视觉技术领域，特别涉及一种基于相机风格和人体姿态适应的半监督人物重识别方法。

背景技术

人物重识别是机器视觉领域中跨摄像机视图检索探测行人图像的目的，传统人物重识别方法通常需要借助行人身份信息，即有监督人物重识别，但是获取标注信息具有可实施性差以及人工成本高等缺点，并且为了充分利用这些有限的标注信息，传统人物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，这显然将导致计算和存储需求的大幅增加。因此，最近几年，基于无监督、半监督的人物重识别方法的研究应运而生。

半监督人物重识别训练数据包括两部分：有标签数据和无标签数据，即训练数据中有少部分图像带有标签信息，大多数图像没有标签信息。现有的半监督人物重识别方法可以分为以下两类：

(1)首先，从数据集中随机选择一定比例的类别，这些被选中类别的图像带有标签信息作为有标签数据，其余的图像不带有标签信息作为无标签数据。然后，使用有标签数据训练一个分类模型，使用训练好的模型提取无标签数据的特征，采用聚类算法对无标签数据特征进行聚类，以聚类结果对无标签数据估计伪标签。之后，使用伪标签数据微调网络模型，使用新得到的模型再一次进行无标签数据的伪标签估计，重复迭代这个过程，直到无标签数据的伪标签估计结果不改变为止。

(2)One-Example学习，每一个行人只有一张图像带有标签信息，作为有标签数据，其余的图像都是无标签数据。然后，使用有标签数据和无标签数据一起训练网络，使用训练得到的模型提取训练数据的特征，通过计算无标签数据和有标签数据特征之间的距离，按照最小距离的原则对无标签数据估计伪标签，以伪标签估计的距离作为无标签分配伪标签的置信度，选择置信度高的无标签数据分配伪标签，作为伪标签数据，剩余的仍为无标签数据。之后，使用有标签数据、伪标签数据和无标签数据一起训练网络，对无标签数据估计伪标签和分配伪标签，反复迭代这个过程，直到所有的无标签数据都分配了伪标签为止。

现有的半监督人物重识别方法较好的解决了有监督人物重识别需要很多标注数据的问题。但是，存在较多问题，首先是有标签数据量少，有限的标签数据训练得到的模型的特征表示能力有限；根据有限的有标签数据对大量无标签数据估计伪标签，通常按照特征距离进行分配，可能会出现某些类别分配的无标签数据过多，不符合数据集中行人类别分布的真实情况，并且估计的伪标签的可靠性不能保证；其次，人物重识别任务受相机参数、拍摄角度、图像分辨率等因素的影响大，半监督人物重识别本身有标签训练数据有限，更是加大了这一影响；最后，人物重识别数据集从视频序列中检测出来，由于行人本身的特点，一段时间序列中行人外貌不断发生变化，人体姿态多变是人物重识别任务的很大挑战，同理，半监督人物重识别任务面临更大的挑战。

发明内容

针对现有技术存在的不足，本发明提供一种基于相机风格和人体姿态适应的半监督人物重识别方法，针对人物重识别任务受相机参数、拍摄角度、图像分辨率、人体姿态等因素影响大的问题，在有标签数据扩充、伪标签估计等方面进行优化，形成相机内的姿态学习和相机间的风格学习，得到更多不同姿态、不同风格的有标签数据，重新设计伪标签分配策略，提高人物重识别的性能；解决了现有技术的有标签数据量少的问题和伪标签分配不合理的问题。

为了解决上述技术问题，本发明采用的技术方案是：

基于相机风格和人体姿态适应的半监督人物重识别方法，包括：

选取涵盖所有身份、所有相机风格的有标签数据的步骤；