[发明专利]一种基于摄像头关系的自监督行人重识别方法

说明书

本发明提出一种基于摄像头关系的自监督行人重识别方法，方法包括：获取监控摄像头网络采集的行人图片数据；对行人图片数据进行预处理，并使用预先建立的视觉模型对预处理后的行人图片数据进行特征提取得到特征向量，预先建立的视觉模型具有初始化参数网络；根据行人图片数据的特征向量，确定监控摄像头网络中摄像头的特异性关系；根据特异性关系进行特征类别聚类，得到伪标签信息，根据伪标签信息对视觉模型的初始化参数网络进行更新；利用更新后的视觉模型对待识别图片样本进行特征提取，根据提取到的特征向量得到最终的检索队列。本申请利用无监督方法进行模型训练，无需人工标注，提高行人重识别的效率，结合摄像头先验知识，提升了模型精度。

技术领域

本发明属于深度学习和行人重识别技术领域，尤其涉及一种基于摄像头关系的自监督行人重识别方法。

背景技术

行人重识别任务是指在多个摄像头下进行同一行人查找匹配的技术，给一张查询行人图片，在数据库中检索出最相似的行人图片作为候选队列，然后选择来自查询图片的摄像头之外的其他摄像头采集的图片。行人重识别的检索是对行人图片的特征向量进行检索和排序的过程，行人的特征向量需要行人重识别的卷积神经网络作为特征提取器，把行人图片转换成行人特征向量。

行人重识别技术的迅速发展使得该技术在实际场景应用中成为可能。但是受制于行人重识别技术对实际运行场景的依赖，传统的行人重识别技术需在实际运行场景中采集图片数据进行模型训练和微调才能够达到比较的精度结果。但在实际场景中采集到的图片和数据需要进行人工标注，这是一个人工成本比较大的工作，并且人工标注的数量和精度会严重影响到有监督的训练模型精度。

为了解决上述问题，目前在行人重识别的研究主要聚集于利用无监督的技术对没有标注的数据进行自监督学习的方法，现有的无监督行人重识别方案可以分为以下三种。第一种是利用已有的有标注的数据集训练一个比较好的模型，然后利用聚类的方式生成伪标签，解决没有标签的问题，进行行人重识别的自监督模型训练；第二种是利用GAN生成对抗网络把已有的标注数据集的图片按照实际应用场景的环境和风格来转换，同时保留行人特征。然后利用这个已有的标注的转换的数据集去训练神经网络模型，最后利用这个模型作为特征提取器去提取特征向量；第三种是利用已有的数据集进行行人重识别模型训练，然后利用图片分布上差异进行模型的约束和训练，通过拉进实际应用场景中图片和已有的标注数据集的分布问题，对训练的模型进行约束和微调。

随着监控摄像网络的发展，摄像设备的不断增加，产生的行人数据的规模也是十分巨大德尔。行人重识别技术可以用来智能安防、智能交通、智能生活等场景。在智慧城市的建设中，利用行人重识别技术可以用来监控特殊场景，追踪嫌疑人，行人行踪的追踪等。在智慧交通中可以对行人进行分析和追踪，预测行人未来的行动方向，对目的地的交通情况进行调度和调控。同时行人重识别技术和车辆重识别技术具有大类的相似性，也可以把车辆的重识别应用到智慧交通中。在智慧生活中，在不同场景切换中对同一人的身份识别和追踪，可以提供更好的智慧服务。所以行人重识别技术是继人脸识别之后，可以大规模应用的人工智能技术。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种基于摄像头关系的自监督行人重识别方法，以实现提高伪标签的准确度，提高行人重识别模型的精度。

本发明的第二个目的在于提出一种基于摄像头关系的自监督行人重识别装置。

本发明的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本发明第一方面实施例提出了一种基于摄像头关系的自监督行人重识别方法，包括以下步骤：

获取监控摄像头网络采集的行人图片数据；

对所述行人图片数据进行预处理，并使用预先建立的视觉模型对预处理后的行人图片数据进行特征提取，以得到所述行人图片数据的特征向量，其中，述预先建立的视觉模型具有初始化参数网络；