[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

说明书

本发明实施例提供一种基于无监督学习的行人重识别领域自适应方法及装置，所述方法包括：通过将带有身份标识的行人图像输入领域自适应特征提取模型，确定其初始特征和增强特征，并计算待进行行人重识别的图像特征与初始特征和增强特征的相似度，进行行人重识别；其中，领域自适应特征提取模型包括用于生成存在视角差异和/或不同光照差异的特征增强图像的循环对抗生成网络模块、提取图像初始特征和增强特征的特征提取模块，以及确定初始特征和增强特征的外观相似特征的对比学习模块。本发明实施例在面对新场景时不需要重新训练网络，成本较低，且能够准确提取带有身份标识行人图像的初始特征和增强特征得到识别结果，具有较高的鲁棒性。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于无监督学习的行人重识别领域自适应方法及装置。

背景技术

行人重识别作为智能安防监控中非常重要的子系统，其任务主要是在行人图像数据库中检索给定行人的其他图像，任务难点在于跨摄像头视角、姿态、尺度变化等因素的影响。同时当前行人重识别极度依赖于训练数据集，基于深度学习的方法往往会在训练数据集上学习到当前数据集摄像机的参数分布，因此，当网络迁移到新的场景下时会存在显著的性能下降。而对新的场景重现标注再训练的成本非常高，因此利用跨场景的无标签数据对网络进行领域自适应提高性能是一种非常有效的做法。领域自适应是指迁移模型到与训练集不同分布数据上时性能能够提升，而不是显著下降。

现有技术方案采用无监督图像表示学习中对比学习，通过数据增强的方式使得网络能够从无监督的样本中学习图像有用的表示迁移到下游的学习任务并使得下游学习任务性能提升。基于大规模的无标签数据，每一个图像样本都被当作单独的类别，网络的任务就是面对不同数据增强过后的样本输出相似的特征输出。

然而，无监督图像表示学习中对比学习主要利用的是大规模的无标签图像，并不关注图像的类别概念。在行人重识别中，图像的特征需要学习到摄像机视角不变性、姿态不变性以及尺度不变性。所以使用现有的数据增强方法会损害行人的特征描述从而不能直接使用到当前任务中，而且对比学习不能够利用行人的身份信息进行进一步学习鲁棒的行人特征。

发明内容

针对现有技术存在的问题，本发明实施例提供一种基于无监督学习的行人重识别领域自适应方法及装置。

具体地，本发明实施例提供了如下技术方案：

第一方面，本发明实施例提供一种基于无监督学习的行人重识别领域自适应方法，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；