[发明专利]一种行人重识别方法、系统、装置和存储介质

说明书

本发明公开了一种行人重识别方法、系统、装置和存储介质，其中方法包括以下步骤：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；对特征空间进行降维处理后，获得特征空间的稀疏表示；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；对聚类结果进行选择后，获得筛选后的分类结果；将分类结果输入预设的卷积神经网络进行训练优化；重复以上步骤，直到分类结果收敛，并获得行人重识别结果。本发明提出了一个易于实施的无监督学习的深度学习框架，把自步学习嵌入到无监督学习的过程中，实现了把无监督方法整合到深度学习框架当中，且该框架结构容易实施，可广泛应用于计算机视觉技术领域。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种行人重识别方法、系统、装置和存储介质。

背景技术

行人重识别方法就是在不同镜头下，匹配到同一个人的照片。在不能拍摄到正脸的时候，行人重识别可以作为重要的补充性任务，可以在无法捕捉到人正脸的时候对人进行识别。但是因为以下诸多原因，行人重识别的准确性仍有很大的改进空间，距离实施落地还有相当大的距离。

行人重识别任务的复杂性主要源于，人的外形在不同的镜头下会有非常大的不同甚至是反差。造成不同镜头下同一个人图片差异的原因包括衣着、光线强弱、遮挡、姿势的变动以及拍摄图像的画质等等。其次，在公共空间的人们穿着非常类似，视觉效果很接近，这又进一步为匹配任务增加了难度。

目前，行人重识别的方法主要分为有监督学习、半监督甚至无监督学习这两大类。有监督学习是利用已有类别标签的行人数据集进行监督式的训练，数据的标签可以及时有效地反馈出模型训练效果的好坏，从而进一步指导模型优化的方向。目前有监督学习主要分为行人描述学习和距离度量学习这两个大方向。行人描述学习会利用到低级特征和中级特征。低级特征包括颜色、质感等；中级特征更多的是基于属性的学习。除了把行人描述学习和距离度量学习分阶段展开以外，还有端到端的学习方法，比如以卷积神经网络为基础的深度学习模型。

现今行人重识别的主流方法都是进行有监督学习，而基于已有数据集训练的模型，由于过度依赖源数据集的特征，在未知数据集上进行测试时，会因为特征空间和识别目标的不同而得不到好的检测效果。

此外，限制有监督学习的一大瓶颈就是带标记的数据集太少。已知最新的数据集包括CUHK03、Market1501、VIPeR这几个规模稍为较大的数据集，除此之外，没有优质的大量带标签的数据集可用。而对公共场所的摄像头捕捉到的海量图片进行人工标注也是一场费时费力的工作，当图片规模大到一定程度，进行人工标注也变得不现实。

目前的弱监督的深度学习方法也基本存在计算效率低下，或者无监督目标数据集规模太小，或者没有把无监督方法真正整合到深度学习框架当中。

名词解释：

s.t.：是subject to(such that)的缩写，受约束的意思。

自步学习：英文名为Self-paced Learning，是一种学习方法论。自步学习是相对于课程学习(Curriculum learning)算法而言的。课程学习算法是基于先验知识赋予样本学习的先后顺序，属于监督型学习算法。在弱监督甚至是无监督的条件下，自步学习算法可以在每一步迭代中决定下一步的学习样本，可以避免模型陷入局部最优或者震荡。

字典学习：一种试图寻找对输入数据进行稀疏表示的表征学习方法。其表示方式主要为，将原始数据转化为基本元素的线性表示，用于此发明方法中，可以有效地压缩模型的规模。

发明内容

为了解决上述技术问题，本发明的目的是提供一种高效率的行人重识别方法、系统、装置和存储介质。

本发明所采用的第一技术方案是：

一种行人重识别方法，包括以下步骤：