[发明专利]基于无监督学习的行人重识别领域自适应方法及装置

权利要求书

1.一种基于无监督学习的行人重识别领域自适应方法，其特征在于，包括：

获取带有身份标识的行人图像，将所述带有身份标识的行人图像输入领域自适应特征提取模型中，确定带有身份标识的行人图像的初始特征和增强特征；

获取待进行行人重识别的图像，确定待进行行人重识别的图像特征；

计算所述待进行行人重识别的图像特征，与带有身份标识的行人图像的初始特征和增强特征的相似度，进行行人重识别；

其中，所述领域自适应特征提取模型包括循环对抗生成网络模块、特征提取模块和对比学习模块，所述领域自适应特征提取模型为采用行人重识别样本图像训练得到的；

其中，所述循环对抗生成网络模块用于对所述样本图像进行不同视角差异和/或不同光照差异的图像转换，生成与所述样本图像对应的存在视角差异和/或不同光照差异的特征增强图像；所述特征提取模块，用于对所述样本图像进行特征提取，获取初始特征提取结果，以及，用于对所述特征增强图像进行特征提取，获得增强特征提取结果；所述对比学习模块，用于在特征提取模块获取初始特征提取结果和增强特征提取结果后，通过最近邻特征挖掘，确定所述初始特征提取结果和所述增强特征提取结果中的外观相似特征，并在所述初始特征提取结果和所述增强特征提取结果中标记所述外观相似特征，提高所述初始特征提取结果和所述增强特征提取结果中外观相似特征的使用权重；其中，所述外观相似特征是指所述初始特征提取结果和所述增强特征提取结果中的相似外观特征；

其中，在对所述领域自适应特征提取模型进行训练时，通过计算循环一致性损失、对抗生成损失来优化所述循环对抗生成网络模块，以及通过计算对比损失来优化所述特征提取模块，直至满足预设收敛条件。

2.根据权利要求1所述的基于无监督学习的行人重识别领域自适应方法，其特征在于，所述通过计算对比损失来优化所述特征提取模块，包括：

在对比学习模块确定所述初始特征提取结果和所述增强特征提取结果中的外观相似特征，并在所述初始特征提取结果和所述增强特征提取结果中标记所述外观相似特征后，将特征提取模块中的图像特征输入对比损失函数，计算对比损失，并根据对比损失优化特征提取模块参数。

3.根据权利要求1所述的基于无监督学习的行人重识别领域自适应方法，其特征在于，还包括：

若判断待进行行人重识别的图像中的行人为带有身份标识的行人图像中的行人，则将待进行行人重识别的图像特征添加至特征提取模块。

4.根据权利要求1所述的基于无监督学习的行人重识别领域自适应方法，其特征在于，所述循环对抗生成网络模块用于对所述样本图像进行不同视角差异和/或不同光照差异的图像转换，生成与所述样本图像对应的存在视角差异和/或不同光照差异的特征增强图像，包括：

获取真摄像头下的样本图像和假摄像头下的样本图像；

第一生成器将真摄像头下的样本图像转化为假摄像头下的样本图像，第二生成器将假摄像头下的样本图像转化为真摄像头下的样本图像，第一判别器识别输入图像是否为真摄像头下的样本图像，第二判别器识别输入图像是否为假摄像头下的样本图像；

其中，所述真摄像头下的样本图像和假摄像头下的样本图像是存在视角差异和/或光照差异的样本图像；

相应地，所述通过计算循环一致性损失、对抗生成损失来优化所述循环对抗生成网络模块，包括：

根据循环一致性损失以及对抗生成损失，优化循环生成对抗网络模块参数。

5.根据权利要求2所述的基于无监督学习的行人重识别领域自适应方法，其特征在于，所述对比损失函数为：

其中，L_S表示对比损失，f(x)表示中心特征，f(x⁺)表示正例特征，f(x^-)表示负例特征。