[发明专利]一种基于联合时空采样的无监督视频序列行人再识别方法

说明书

本发明涉及一种基于联合时空采样的无监督视频序列行人再识别方法，包括：获取训练数据集并进行联合时空采样；进行单摄像头下小片段轨迹特征学习；进行单摄像头下行人小片段轨迹排序；计算单摄像头下小片段轨迹的关联损失；进行跨摄像头下小片段轨迹特征学习；进行跨摄像头下行人小片段轨迹排序；计算跨摄像头下小片段轨迹的关联损失；构造全局关联损失函数；判断是否满足迭代结束条件，若是，则执行步骤10，否则，返回步骤2；结束迭代，完成行人再识别。与现有技术相比，本发明具有识别准确度高、适用于无标签数据集的学习、稳定性高、可靠性和实用性高等优点。

技术领域

本发明涉及视频序列的行人再识别技术领域，尤其是涉及一种基于联合时空 采样的无监督视频序列行人再识别方法。

背景技术

行人再识别的目的是匹配不同摄像头下的行人，尽管大多数的再识别方法是基于静态的图片，但由于视频中的行人小片段轨迹具有丰富的时空信息也越来越得到 关注。视频序列中的小片段轨迹是指单个行人图片的组合序列，包含了行人在不同 视野、遮挡、背景模糊和行人姿态变化的各种信息，可以自然地作为行人再识别的 相关数据源，更具有研究意义。而当前的行人再识别方法多是基于有监督学习，在 实际的跨摄像头网络下不仅需要很大的成本标记数据，而且不能保证每对摄像头都 有足够的指定行人的出现。针对此现象，无监督的视频行人再识别在实际应用中更 有实际性，从而提高再识别模型的可靠性。

现有的处理小片段轨迹的方法多是采用关联排序的方法，例如中国专利CN111079600A中公开了一种多摄像头的行人识别方法及识别系统，该系统就使用 了关联排序的方法，该方法在许多实验中显示出较好的效果，但是加强对关联学习 的理论解释仍是一项非常重要的任务。在很多实验中，单摄像头下的行人小片段轨 迹关联性可以达到很好的效果，但是针对跨摄像头的小片段轨迹关联会产生许多关 联错误，且样本的复杂多样性使跨摄像头下的关联计算成本变高，计算时间加长。 多摄像头下的关联排序方法内容主要包括：第一是单摄像头下的特征学习，与目标 样本特征比较排序，计算目标样本特征与搜索的样本特征之间的关联损失；第二是 跨摄像头下，联合单摄像头下学习的目标样本特征作为跨摄像头下的目标，与配对 摄像头下的样本特征比较排序，计算样本特征间的关联损失。

因此，小片段轨迹间的关联方法在视频行人再识别中具有重要意义，尽管目前 国内外的研究已经取得了很优秀的研究成果，但是随着监控摄像网络的发展扩大， 拍摄条件的恶化，以及安防需求的提高，目前已有关联排序方法在视频行人再识别 的准确度和计算成本上不能满足实际应用的需求。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种识别准确度高、适用于无标签数据集的学习、稳定性高、可靠性和实用性高的基于联合时空采 样的无监督视频序列行人再识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于联合时空采样的无监督视频序列行人再识别方法，该方法为内嵌在计算机内的程序，包括：

步骤1：获取训练数据集并进行联合时空采样；

步骤2：进行单摄像头下小片段轨迹特征学习；

步骤3：进行单摄像头下行人小片段轨迹排序；

步骤4：计算单摄像头下小片段轨迹的关联损失；

步骤5：进行跨摄像头下小片段轨迹特征学习；

步骤6：进行跨摄像头下行人小片段轨迹排序；

步骤7：计算跨摄像头下小片段轨迹的关联损失；

步骤8：构造全局关联损失函数；

步骤9：判断是否满足迭代结束条件，若是，则执行步骤10，否则，返回步骤 2；

步骤10：结束迭代，完成行人再识别。