[发明专利]一种基于无监督学习的行人重识别方法

权利要求书

1.一种基于无监督学习的行人重识别方法，其特征在于包括如下步骤：

S1，构建用于提取行人特征向量的深度神经网络并初始化；

S2，通过深度神经网络，获取无标签的行人图像数据作为训练集，得到对应的行人特征向量，通过聚类，将行人特征向量对应的行人图像数据，划分为多个类别，同一类行人图像数据拥有同一个伪标签，通过每个类中对应的行人特征向量，获取各类中心的特征向量，进行存储；

S3，通过伪标签，重新获取训练集的行人特征向量，排除不归属于任何类的行人图像数据对应的行人特征向量；

S4，对重新获取的行人特征向量，进行分组采样，将得到的小批量样本，与存储的类中心特征向量的距离，计算分类损失，并迭代更新深度神经网络和存储的类中心特征向量，包括如下步骤：

S41，对重新获取的行人特征向量，进行分组采样，得到小批量样本；

S42，以伪标签作为监督信息，计算小批量样本与存储的类中心特征向量之间的分类损失函数，使小批量样本中，根据行人图像数据提取的行人特征向量，与存储的类中心特征向量越近，与其他类中心特征向量越远；

所述损失函数：

其中，q表示行人图像数据对应的行人特征向量，c⁺表示行人图像数据所存储的所属类中心的特征向量，c_i表示第i类的类中心特征向量，N表示类别数，L_q越小表示q与类c⁺越相近，与其他类越远，τ为模型超参数；

S43，从当前小批量样本中，找到其所属的部分类中，距离类中心特征向量最远的行人图像数据，通过动量法，叠加到最远的行人图像数据对应存储的原类中心特征向量上；

S44，若第一迭代终止条件未达到，则继续重复执行S4，若达到，则进入S5；

S5，若第二迭代终止条件未达到，则返回S2，若达到，则结束流程；

S6，通过训练好的深度神经网络，获取行人图像数据，将提取行人特征向量，与存储的类中心特征向量比对，找出属于同一类的图像数据序列。

2.根据权利要求1所述的一种基于无监督学习的行人重识别方法，其特征在于所述S41的分组采样，包括如下步骤：

S411，根据重新获取的行人特征向量进行分类；

S412，随机重排类中的行人图像数据，在类内部，将属于同一个类的行人图像数据顺序打乱；

S413，将类中的行人图像数据分组并添加到分组列表，针对类别列表中的每一类，以预先设置的正整数S ≥ 1进行组内的划分，并将划分后的组分别添加到分组列表中；

S414，随机重排分组列表，得到最终的分组后的采样列表，根据预设的批尺寸，得到小批量样本。

3.根据权利要求2所述的一种基于无监督学习的行人重识别方法，其特征在于所述S411中，随机重排所有类，根据重新获取的行人特征向量进行分类，并按类别分组，属于同一个类的行人特征向量对应的行人图像数据为一组，保存入类别列表中，再将类别列表按组打乱顺序。

4.根据权利要求1所述的一种基于无监督学习的行人重识别方法，其特征在于所述S43包括如下步骤：

S431，计算小批量样本中，所有行人图像数据的行人特征向量，到其存储的所属类中心的特征向量的距离，行人图像数据所属的类中心，由聚类得到的伪标签决定；

S432，从小批量样本属于同一类的行人图像数据中，找到距离类中心最远的行人图像数据对应的行人特征向量 ；

S433，使用和动量值，通过动量法，叠加到对应的原类中心特征向量上，从而更新存储的对应类的中心特征向量：

；

S434，通过深度神经网络的反向参数传递计算，在每一次迭代中更新深度神经网络的参数。