[发明专利]基于类别自适应聚类的无监督行人重识别方法

权利要求书

1.一种基于类别自适应聚类的无监督行人重识别方法，其特征在于步骤如下：

步骤1：将待处理行人图像集合划分为训练集和测试集；

步骤2：为训练集中所有图像预分配初始标签；

步骤3：将训练集中所有图像输入CNN模型，提取得到数据集的行人特征；

步骤4：将log对数损失作为目标优化函数训练CNN模型至模型收敛；

步骤5：对步骤2得到的特征空间中的特征集合进行类别自适应聚类，将相似的图像分到同一簇中，重新分配图像的标签；

步骤6：计算本阶段类别自适应聚类的平均轮廓系数；

步骤7：将执行一次步骤3-6的计算记为一个阶段，按照ds＝S_k-S_k-l计算当前第k个训练阶段与第k-l个训练阶段的差值，l为预设步长，取值范围为[1,3]；设定差值变化阈值ds₀，取值范围为[-100,100]，如果ds≥ds₀，返回步骤3并重复步骤3-6，进入下一阶段训练网络和类别自适应聚类过程；如果ds＜ds₀，则停止训练，根据此时得到的阶段聚类结果，以各阶段聚类簇数为横坐标，平均轮廓系数为纵坐标，画出评估系数曲线图，曲线图拐点处所对应的聚类簇数即为最佳聚类簇数，此时得到的模型为该数据集上最佳CNN模型；所述的训练阶段序号k的初始值为1，进入下一阶段时，k值加1；

步骤8：将测试集图像输入步骤7所得的最佳CNN模型提取图像的行人特征，通过计算所述测试行人图像的特征与图库中行人图像的特征之间的距离即可得到无监督行人重识别结果。

2.如权利要求1所述的一种基于类别自适应聚类的无监督行人重识别方法，其特征在于步骤2的具体过程如下：为训练集中的每一幅图像预分配一个无行人身份信息的初始标签，设训练集为X＝{x₁,x₂,…,x_N}，x_i表示第i幅图像，初始标签集合为表示图像x_i的初始标签，i＝1，2，......N。

3.如权利要求1所述的一种基于类别自适应聚类的无监督行人重识别方法，其特征在于步骤3的具体过程如下：将分配了初始标签的训练集所有图像输入到选定的CNN模型，对于第i幅图像x_i提取得到行人特征φ_i(x_i)，形成一个特征空间V(φ₁，φ₂，φ₃，...，φ_N)^T；所述的选定的CNN模型为ImageNet预训练的ResNet50模型，删除其最后一层分类层，并增加一个全连接层，输出维度为当前阶段训练集中的簇数目。

4.如权利要求1所述的一种基于类别自适应聚类的无监督行人重识别方法，其特征在于步骤4的具体过程如下：

设定模型的目标函数为log对数损失函数，计算公式如下：

其中，表示预测图像x_i属于簇的概率，计算公式如下：

其中，V_j表示第j个簇的聚类中心，其取值为第j个簇中所有行人特征的均值，表示第个簇的聚类中心，C_k表示当前第k阶段的簇数目，C₁＝N，α∈(0,1)为平衡各个类别概率分布的参数，υ表示将特征归一化，按照计算得到；

在反向传播时，按照更新图像x_i所属的簇的聚类中心特征；

通过最小化目标函数对CNN模型进行训练，直至收敛。