[发明专利]基于正则化约束的半监督行人重识别方法及装置

说明书

本发明公开了基于正则化约束的半监督行人重识别方法及装置，该方法包括：对行人重识别模型进行训练；将待识别图像输入第一神经网络或者第二神经网络进行行人重识别；其中，行人重识别模型的训练过程包括：将有标签图像数据和无标签图像数据同时输入第一神经网络和第二神经网络；计算第一神经网络输出值的第一约束函数和第二约束函数；基于第一约束函数和第二约束函数对第一神经网络进行参数更新，并即时基于更新后的第一神经网络参数更新第二神经网络参数，完成行人重识别模型训练。本发明与当前常用的半监督行人重识别方法相比较，能更有效的利用无标签数据的信息，可以进一步提升算法效果。

技术领域

本发明涉及识别技术领域，尤其涉及基于正则化约束的半监督行人重识别方法及装置。

背景技术

行人的重识别是一项极具挑战性的检测与识别任务，重点是给定一个行人的图像，从底库中检索该行人在不同场合下的图像进行识别。目前由于绝大多数行人重识别模型是基于监督学习下去检索行人，而这过程需要大量的带标签的训练数据，且获得高质量的带标签的行人重识别是非常耗时耗力的，这使得监督学习下的行人重识别方法的实际应用价值大大降低。另一方面深度卷积神经网络容易过度拟合小数据集，导致学习到的特征表示或相似度函数不能很好地推广到测试集，成为监督学习下的行人重识别算法中的主要瓶颈，从而影响了行人重识别的应用。

发明内容

针对上述现有技术存在的问题，本发明提供了基于正则化约束的半监督行人重识别方法，通过对未标记数据进行数据增广处理，然后输入分类器，训练时使预测结果保持一致，将此规则作为损失函数的正则项，实现基于正则化约束的半监督图像识别，该方法结构简单，便于训练。

本发明的第一方面提供了一种基于正则化约束的半监督行人重识别方法，包括：

对行人重识别模型进行训练，所述行人重识别模型包括结构完全相同的第一神经网络和第二神经网络；

将待识别图像输入第一神经网络或者第二神经网络进行行人重识别；

其中，行人重识别模型的训练过程包括：

(1)将有标签图像数据和无标签图像数据同时输入第一神经网络和第二神经网络；

(2)基于有标签图像数据输入第一神经网络后的输出结果计算第一神经网络输出值的第一约束函数，基于有标签和无标签图像数据中的同一张图像输入第一神经网络和第二神经网络的输出结果一致为第一神经网络输出值的第二约束函数；

(3)基于第一约束函数和第二约束函数对第一神经网络进行参数更新，并即时基于更新后的第一神经网络参数更新第二神经网络参数；

(4)重复(1)-(3)直至(2)中的第一约束函数和第二约束函数的融合结果满足收敛条件，完成行人重识别模型训练。

本发明的第二方面提供了一种基于正则化约束的半监督行人重识别装置，包括：

模型训练模块，用于对行人重识别模型进行训练，所述行人重识别模型包括结构完全相同的第一神经网络和第二神经网络；

行人重识别单元，用于将待识别图像输入第一神经网络或者第二神经网络进行行人重识别；

其中，模型训练模块包括：

样本输入单元，用于将有标签图像数据和无标签图像数据同时输入第一神经网络和第二神经网络；

模型约束函数计算单元，用于基于有标签图像数据输入第一神经网络后的输出结果计算第一神经网络输出值的第一约束函数，基于有标签和无标签图像数据中的同一张图像输入第一神经网络和第二神经网络的输出结果一致为第一神经网络输出值的第二约束函数；

模型权重参数更新单元，用于基于第一约束函数和第二约束函数对第一神经网络进行参数更新，并即时基于更新后的第一神经网络参数更新第二神经网络参数；