[发明专利]一种基于伪标签自纠正的无监督行人重识别方法

说明书

本发明公开了一种基于伪标签自纠正的无监督行人重识别方法，该方法包括：构建源域数据集、目标域数据集和目标域测试集，构建算法模型M，使用源域数据集对算法模型M进行预训练，使用算法模型M对目标域数据集提取第一目标特征，融合第一目标特征得到第二目标特征，使用第二目标特征进行聚类得到伪标签，对伪标签的质量进行评估并对质量差的聚簇进行纠正，将得到的结果作为伪标签重复训练算法模型M，使用算法模型M对目标域测试集提取第二目标特征并进行图像匹配，得到行人重识别结果。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于伪标签自纠正的无监督行人重识别方法。

背景技术

一般而言，行人重识别的任务是给定特定行人的一张图片或一段视频，检索出该行人在不同摄像头下的图片或者视频的过程。行人重识别技术可以为自动化监控及监控视频分析提供有效帮助，极大提高监控视频信息检索的效率。然而，同一行人在不同摄像头下的图片有着衣着、光线强弱、遮挡、姿态变换、图片画质等等差异。这给行人重识别算法带来了很大的挑战。同时，公共场所中，大量行人的穿着较为类似，视觉效果很接近，这又大大增加了行人重识别任务的难度。

目前，主要的行人重识别方法主要分为有监督学习、半监督或无监督学习等几类。有监督学习使用已有类别标签的行人数据集进行监督式训练，训练得到的模型能够较为准确的匹配出一个行人的图片。这类方法的匹配准确率较高，但依赖于标签，而对海量视频里面的行人进行标记需要消耗大量的资源。另外，有监督学习的方法也难以直接迁移到大量无标签的数据上使用。无监督学习的方法使用无标签的数据进行训练，不需要对行人图片进行标记，可以节省大量人力资源，但是这类方法的效果相比有监督的方法有较大差距，也难以在实际中应用。因此，无监督学习中更为常见的做法是跨域无监督学习。跨域无监督学习即使用一个有标签的数据(源域)以及无标签的数据(目标域)进行训练，使得算法在无监督的数据上表现良好。由于不同数据域之间的风格差异较大，在源域上经过训练好的模型直接迁移到目标域上的表现并不好。因而对于跨域无监督行人重识别任务来说，主要的挑战在于如何使用无监督的方法将源域的标签信息有效的迁移到目标域上，使模型在目标域的表现良好。

大部分跨域无监督行人重识别方法都基于伪标签估计来进行训练。但是这种方法严重依赖于伪标签的质量，算法的性能对于伪标签的噪声较为敏感。

发明内容

本发明的目的是为了解决现有技术中基于伪标签估计的无监督行人重识别算法的上述缺陷，提供一种基于伪标签自纠正的无监督行人重识别方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于伪标签自纠正的无监督行人重识别方法，基于分而治之的思想，分别处理伪标签估计带来的两种常见的噪声，从而提高行人重识别算法在无标签的目标域数据集上的效果。本发明使用源域数据集预训练算法模型M，随后使用算法模型M对目标域数据集的行人图片提取特征，通过计算跨摄像头行人图片对的特征距离作为聚类等方法获取目标域数据集的伪标签，随后对聚类得到的结果使用质量评估公式进行质量评估，对含有大量噪声的聚簇进行重聚类，降低噪声规模，生成更高质量的伪标签供算法模型M进行训练。在特征学习方面，本发明使用融合网络融合不同尺度的特征以学习一个更为鲁棒的特征来表征每个行人的图片。

一种基于伪标签自纠正的无监督行人重识别方法，所述的无监督行人重识别方法包括以下步骤：

S1、构建源域数据集、目标域数据集和目标域测试集，构建算法模型M，使用源域数据集的标签数据对算法模型M进行预训练，其中，目标域测试集包括查询库和图像库；

S2、使用算法模型M对目标域数据集的图片提取特征图，将特征图进行分割，得到多个特征块，对每个特征块进行全局平均池化，将得到的所有特征拼接起来，得到第一目标特征；

S3、对步骤S2中得到的第一目标特征输入到融合网络中，得到第二目标特征；