[发明专利]基于混合簇中心标签学习的行人重识别方法和存储介质

权利要求书

1.一种基于混合簇中心标签学习的行人重识别方法，其特征在于，包括以下步骤：

步骤S100：收集行人重识别训练数据集，并将训练数据集分为有标签数据样本和无标签数据样本；

步骤S200：首先使用有标签数据初始化深度神经网络模型参数，并计算出初始的簇中心标签存入存储器中，然后利用深度神经网络模型提取无标签数据的特征信息；

步骤S300：再利用多种簇中心标签生成模块计算无标签数据的特征信息与簇中心之间的距离并筛选出预设比例的伪标签数据，且剩余数据为模糊标签数据，并为伪标签数据和模糊标签数据生成簇中心标签作为指导标签，更新存储器中的簇中心标签；

步骤S400：最后把伪标签数据和模糊标签数据按照多次少量的方式加入到训练样本中，重新训练深度神经网络模型；

步骤S500：重复步骤S200-步骤S400，直到训练迭代次数达到最大迭代次数时停止训练，得到最优的行人重识别模型模型；

步骤S600：将待测图像输入到步骤S500中的行人重识别模型并输出测试结果；

所述步骤S500中利用损失函数对多类簇中心进行分类差值计算，并使用优化器对损失值进行衰减，达到优化全局参数的目的；

所述损失函数采用混合簇对比学习损失函数，用于计算每种训练样本特征信息与簇中心标签之间的损失值，所述损失函数的计算公式如下：

其中，a为样本特征的索引值，

i、j为簇中心标签的索引值，

k为簇中心标签总数，且k=i+j，

N为样本的批处理大小，

t为样本特征信息，

μ为簇中心标签，

为调节因子，用于调整样本与簇中心的紧凑性。

2.根据权利要求1所述的一种基于混合簇中心标签学习的行人重识别方法，其特征在于，所述步骤S400中，采用多次少量的迭代方式添加无标签数据，将无标签数据多次少量的部分加入到深度神经网络模型中进行训练，每一次迭代添加的无标签数据比上一次迭代添加的无标签数据少。

3.根据权利要求2所述的一种基于混合簇中心标签学习的行人重识别方法，其特征在于，添加的无标签数据最初的10个epoch按10%的速度增加，后续的迭代中按1%增加。

4.根据权利要求1所述的一种基于混合簇中心标签学习的行人重识别方法，其特征在于，所述深度神经网络模型的前端设置有分块层，用于将行人图像分为三等分；所述深度神经网络模型包括从前至后依次设置的卷积层、批标准化层、激活函数层、残差模块、神经元失活层、全连接层。

5.根据权利要求4所述的一种基于混合簇中心标签学习的行人重识别方法，其特征在于，所述深度神经网络模型采用64层结构的残差深度神经网络模型。

6.根据权利要求1-5任一项所述的一种基于混合簇中心标签学习的行人重识别方法，其特征在于，所述多种簇中心标签生成模块采用K-means算法进行簇中心聚类，且每种类别只有一个有标签数据，更好的对无标签数据进行聚类。

7.一种计算机可读存储介质，存储有计算机程序指令，其特在于，所述程序指令被处理器执行时实现权利要求1-6任一项所述的方法。