[发明专利]一种行人重识别方法、系统、装置和存储介质

权利要求书

1.一种行人重识别方法，其特征在于，包括以下步骤：

S1、将无标记的待检测数据集输入预设的特征提取模型，并提取待检测数据集的特征空间；

S2、对特征空间进行降维处理后，获得特征空间的稀疏表示；

S3、采用预设的聚类公式对稀疏表示进行聚类处理后，获得带标记的聚类结果；

S4、对聚类结果进行选择后，获得筛选后的分类结果；

S5、将分类结果输入预设的卷积神经网络进行训练优化；

S6、重复步骤S1至S5，直到分类结果收敛，并获得行人重识别结果。

2.根据权利要求1所述的一种行人重识别方法，其特征在于，所述预设的特征提取模型通过以下步骤获得：

采用预设带标记的数据集对卷积神经网络进行预训练，并在卷积神经网络收敛后获得特征提取模型。

3.根据权利要求1所述的一种行人重识别方法，其特征在于，所述步骤S2具体为：

对特征空间进行字典学习后，获取特征空间的稀疏表示，从而实现特征空间的降维。

4.根据权利要求1所述的一种行人重识别方法，其特征在于，所述步骤S3中预设的聚类公式为：

其中，φ(·；θ)为卷积神经网络模型，c_k为同属于k类的特征空间的均值向量，y为标签向量，K为行人类别的标签。

5.根据权利要求1所述的一种行人重识别方法，其特征在于，所述步骤S4，具体为：

通过设定选择阈值后，采用预设的选择公式对聚类结果对进行选择，并获得筛选后的分类结果。

6.根据权利要求5所述的一种行人重识别方法，其特征在于，所述步骤S4中预设的选择公式为：

其中，v为全部图片样本是否被选择的指代向量，为对于每一个k。

7.根据权利要求1所述的一种行人重识别方法，其特征在于，所述步骤S5中训练优化采用的损失函数公式为：

其中，w为分类模型的参数，N为样本总量，为目标损失函数。

8.一种行人重识别系统，其特征在于，包括：

特征提取模块，用于将无标记的待检测数据集输入预设的特征提取模型，并提取待检测数据集的特征空间；

降维模块，用于对特征空间进行降维处理后，获得特征空间的稀疏表示；

聚类模块，用于采用预设的聚类公式对稀疏表示进行聚类处理后，获得带标记的聚类结果；

选择模块，用于对聚类结果进行选择后，获得筛选后的分类结果；

训练模块，用于将分类结果输入预设的卷积神经网络进行训练优化；

重复模块，用于重复特征提取模块到训练模块的操作，直到分类结果收敛，并获得行人重识别结果。

9.一种计算机代码自动生成装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-7任一项所述方法。

10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7任一项所述方法。