[发明专利]行人图像不变性特征提取和无监督行人重识别方法与装置

说明书

本发明公开了一种行人图像不变性特征提取和无监督行人重识别方法与装置，通过模型分离实现神经网络部分知识迁移，从辅助模型中提取行人图像的行人主体(图像前景)的不变性特征表达；根据行人主体的不变性特征，利用K远邻聚类算法估计行人图像中潜在的相同行人，构建同一行人不同背景的联系，挖掘行人图像的背景风格的不变性特征表达；将上述的行人图像中行人主体和背景风格的不变性特征表达进行融合，得到输出特征，用于判别行人身份，进行行人重识别。本发明在多个行人重识别数据集上超过目前最好的基于无监督迁移学习的算法，解决了相关技术中提到的行人图像的背景风格差异显著，导致迁移学习效率低下的问题。

技术领域

本发明属于计算机技术领域，尤其涉及一种行人图像不变性特征提取和无监督行人重识别方法与装置。

背景技术

当今时代，深度学习发展迅猛。在近几年，深度学习技术被广泛应用到各个领域中，而行人重识别是一种具有急切需求而又影响深远的图像检索和图像识别技术。该项技术旨在利用深度学习，分析不同监控摄像头中行人的表征特点，实现跨越摄像头的行人匹配和识别任务。在智能视频监控领域，相比人脸识别技术，行人重识别具有远距离、大范围和低分辨率可行等优点。朴素的行人重识别算法利用有标注的行人图像训练神经网络模型，从而针对行人图像中变化的行人姿态和背景环境，提取具有不变性的特征表达。然而，行人图像的收集和标注需要花费大量的人力物力；除此之外，由于明显的监控环境差异，每一个新的监控场景都需要重新收集并标注该监控场景中的行人图像，带来不可估量的成本代价。为了克服朴素的行人重识别算法对于数据标注的依赖，以及充分利用现有的标注图像，基于迁移学习和无监督学习的行人重识别算法应运而生。

现有的基于迁移学习和无监督学习的行人重识别算法主要分为三步进行：首先，基于已有的其他监控场景的辅助数据训练一个辅助的神经网络模型；然后，利用辅助的神经网络模型提取目标监控场景下行人图像的特征，通过无监督聚类的方式给行人图像赋予伪标签；最后利用生成的伪标签，训练新的神经网络模型，重新提取目标监控场景下行人图像的特征。这种做法有两个缺点：首先，由于巨大的监控环境差异，利用其他监控场景下的辅助数据训练的模型，在目标监控场景的行人图像上表现力很差；即利用辅助模型提取得到的目标监控场景下行人图像的特征，相同行人的特征可能相距很远，不同行人的特征可能相距很近。其次，传统的无监督聚类算法依赖于输入特征的良好分布；然而由于第一点原因，传统的无监督聚类算法很容易将相同的行人图像判断成不同的行人，而不同的行人图像判断成相同的人。

因此，如何更好的利用已有的辅助数据，以及如何避免对目标监控场景的行人图像进行错误聚类，这些是基于迁移学习和无监督学习的行人重识别算法亟待解决的问题。

发明内容

本发明的目的在于针对现有技术的不足，提供一种行人图像不变性特征提取和无监督行人重识别方法与装置。

本发明的目的是通过以下技术方案来实现的：一种基于迁移学习和无监督学习的行人图像不变性特征提取方法，包括：

通过模型分离实现神经网络部分知识迁移，从辅助模型中提取行人图像的行人主体的不变性特征表达。

利用K远邻算法估计潜在的相同行人，构建同一行人不同背景的联系，挖掘行人图像的背景风格的不变性特征表达。

综合行人主体和背景风格的不变性特征表达进行融合，得到完整的行人图像的不变性特征表达。

进一步地，事先利用有标注的辅助数据训练辅助的神经网络模型。

进一步地，所述模型分离，包括：

神经网络的卷积模块解耦，将卷积层中的卷积核分离为行人相关和背景相关等两部分。

神经网络的归一化模块解耦，将归一化层中的特征维度分离为行人相关和背景相关两部分。