[发明专利]基于像素和特征转移相融合的无监督行人再识别方法

权利要求书

1.一种基于像素转移和特征转移相融合的无监督行人再识别方法，其特征在于，该方法包括以下步骤：

步骤S10，获取待识别的行人图像，作为输入图像；

步骤S20，基于所述输入图像，通过预训练的行人再识别模型得到行人再识别结果；所述行人再识别模型基于残差网络构建，其训练方法为：

步骤A10，获取源域图像、目标域图像；所述源域图像为有标签的行人图像；所述目标域图像为无标签的行人图像；

步骤A20，提取源域图像、目标域图像的特征，作为第一特征、第二特征；

步骤A30，基于所述源域图像对应的标签、所述第一特征，通过预构建的交叉损失函数、三元组损失函数计算交叉熵损失、三元组损失，并求和，得到源域图像的总损失，作为第一损失；

步骤A40，根据所述第二特征进行聚类，将聚类后各类的索引作为对应类中各目标域图像的伪标签；基于所述伪标签、所述第二特征，通过步骤A30的方法，得到目标域图像的总损失，作为第二损失；

步骤A50，基于所述第二特征，通过预构建的GAN损失函数计算GAN损失；并基于所述第一特征、所述第二特征，通过预构建的判别器获取判别结果，并计算判别损失；

步骤A60，将所述GAN损失、所述判别损失、所述第一损失、所述第二损失进行加权求和，作为特征转换损失；

步骤A70，基于所述第一特征、所述第二特征，通过预构建的解码器重构目标图像、源域图像；所述解码器基于K个卷积层构建；

步骤A80，基于重构的源域图像及原源域图像，计算L2损失、GAN损失，并将所述L2损失、所述GAN损失进行求和，得到源域重构损失；

步骤A90，基于重构的目标域图像及原目标域图像，通过步骤A80的方法得到目标域重构损失；并将所述源域重构损失、所述目标域重构损失求和，作为像素转移损失；

步骤A100，分别将所述第一特征与重构的目标域图像的特征、所述第二特征与重构的源域图像的特征进行双线性池化融合，得到源域池化特征、目标域池化特征，并通过行人再识别模型得到识别结果；基于所述源域池化特征、所述目标域池化特征以及对应的识别结果，通过步骤S30的方法，得到各池化特征对应的总损失，并求和，作为分类损失；

步骤A110，将所述特征转换损失、所述像素转移损失、所述分类损失求和，更新所述行人再识别模型的网络参数；

步骤A120，循环执行步骤A10-A110，直至得到训练好的行人再识别模型。

2.根据权利要求1所述的基于像素转移和特征转移相融合的无监督行人再识别方法，其特征在于，步骤A20中“提取源域图像、目标域图像的特征”，其方法为：通过预构建的编码器提取源域图像、目标域图像的特征；所述编码器基于残差网络构建，将该残差网络的layer4舍弃，并在pool5层应用0.5的dropout，layer3的步长设置为1。

3.根据权利要求1所述的基于像素转移和特征转移相融合的无监督行人再识别方法，其特征在于，构建所述解码器的K个卷积层，除最后一个卷积层外，其他各卷积层均采用批归一化，激活函数采用ReLU，最后一个卷积层由tanh映射到[-1,1]范围内。

4.根据权利要求1所述的基于像素转移和特征转移相融合的无监督行人再识别方法，其特征在于，所述判别器包括由Leaky ReLU激活的三个卷积层和一个FC层。

5.根据权利要求1中所述的基于像素转移和特征转移相融合的无监督行人再识别方法，其特征在于，所述预构建的交叉熵损失函数为：

其中，L_cls表示交叉熵损失，y_i表示第i张目标域图像的伪标签或源于图像对应的标签，I_i表示第i张目标域图像或源域图像，N表示目标域图像或源域图像的数量。