[发明专利]一种基于双路互促进解纠缠学习的行人重识别方法

说明书

本发明公开了一种基于双路互促进解纠缠学习的行人重识别方法，属于计算机视觉领域。该方法包括通过训练流程得到具有提取域不变特征的内容编码器，在测试流程中利用该内容编码器对目标域测试样本中的行人进行重识别。相比于传统的用于行人重识别的方法，本发明的方法简单有效且更具实用价值。在不同的数据集上均表现出了更优异的性能。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种基于双路互促进解纠缠学习的行人重识别方法。

背景技术

行人重识别是判断跨视角相机拍摄到的行人图像是否为同一行人的技术。该技术是智能监控中的重要构成部分，在追踪罪犯嫌疑人，失踪人口查找等方面有着重要的应用，引起了众多研究者的关注。随着深度学习的快速发展，行人重识别近年来取得了显著的研究进展，并获得了优异的识别性能。然而，这些成绩一般是在同一数据集上进行有监督地训练，并在该数据集上进行测试得到的。如果把这些方法直接部署到现实场景中，识别性能会因训练数据与测试数据之间的域偏移而出现急剧下降。为解决该问题，无监督域自适应的行人重识别方法受到了越来越多的关注和重视。

现有的无监督域自适应的行人再识别方法可粗略地划分成三类：基于聚类伪标签预测的方法，基于额外模型辅助的方法，基于域不变特征提取的方法。基于伪标签预测的方法虽然在数据集上有较高的性能表现，但这一优异性能通常是在参与训练的每一个目标样本都有正样本的情况才取得的。这一潜在的要求，显然与实际应用场景不符。如果将其直接部署到正样本对极少的实际场景中，性能会出现急剧下降。基于额外模型辅助的方法虽然也能获得较为优异的识别性能，但由于需要额外模型的辅助，极大地影响了re-ID模型的识别效率。基于域不变特征提取的方法因未借助伪标签来更新模型，也未受到额外模型的辅助，同时此类算法更容易部署到现实场景中，但在公开的数据集上识别性能相对较低。

综上所述，现有的行人重识别技术存在以下问题：

1、训练方法采用有监督的训练，直接部署到现实场景时，识别性能会因训练数据与测试数据之间的域偏移而出现急剧下降。

2、基于伪标签预测的方法，需要参与训练的每一个目标样本都有正样本，与实际应用场景不符，如果将其直接部署到正样本对极少的实际场景中，性能会出现急剧下降。

3、基于额外模型辅助的方法，需要额外模型的辅助，极大地影响了re-ID模型的识别效率。

4、传统的基于域不变特征提取的方法，在公开的数据集上识别性能相对较低。

发明内容

针对现有技术的不足，本发明提出了一种基于双路互促进解纠缠学习的行人重识别方法，解决上述现有技术中存在的问题。具体地，本发明方法主要由内容编码分支和相机风格编码分支组成。其中，前者提取与行人身份相关的特征，后者提取与相机风格相关的特征。在解纠缠过程中，我们提出通过两个路径之间的对抗学习来达到互惠互利的目的，同时实现行人域不变身份特征与域信息的提取。在此过程中，我们充分利用了图像自带的相机标签信息来辅助域不变特征的学习，而域不变特征的学习通过交叉分类，反过来协助相机风格特征的提取，通过这种合作共赢机制来达到相机信息和判别性特征解纠缠的目的。与传统方法相比，本发明的方法是一种无监督训练，泛化能力会更好；不需要额外模型辅助，不会影响re-ID模型的识别效率；在公开的数据集和现实场景中都有很好的识别效果。

为达上述目的，本发明提供了一种基于双路互促进解纠缠学习的行人重识别方法，包括通过训练流程得到具有提取域不变特征的内容编码器E₁、在测试流程中利用该内容编码器E₁对目标域测试样本中的行人进行重识别；所述训练流程包括内容编码分支和相机风格编码分支，所述内容编码分支包括内容编码器E₁和身份分类器W₁，所述相机风格编码分支包括风格编码器E₂和相机分类器W₂，具体包括以下步骤：

步骤1，采样及训练样本的选择