[发明专利]一种无监督的行人重识别方法、系统、装置及存储介质

说明书

本发明公开了一种无监督的行人重识别方法、系统、装置及存储介质。无监督的行人重识别方法包括：从ImageNet数据集中获取第一行人数据；根据第一行人图片提取第一行人特征；根据第一图片信息对第一行人特征进行分组生成第一特征组；根据第一特征组初始化第一记忆字典；根据第一记忆字典调整第一行人特征的特征间距，生成第二行人特征；根据第二行人特征初始化第二记忆字典；根据第一记忆字典和第二记忆字典构建联合记忆学习模型；根据联合记忆学习模型和第二行人数据进行网络训练，得到行人重识别网络；采用行人重识别网络对待识别的行人数据进行识别，得到行人识别结果。本发明实现了高精度的、识别准确的无监督的行人重识别。

技术领域

本申请涉及计算机视觉技术领域，尤其是一种无监督的行人重识别方法、系统、装置及存储介质。

背景技术

行人重识别(Re-ID)是一种跨非重叠摄像机的行人检索技术。简单来说，行人重识别的目标是在给定查询对象的前提下，确定行人是否被处在另一个地方的另一个摄像机在另一个时间拍摄到。一般情况下，查询对象可以是图像、视频序列以及文字描述。由于不同摄像机的拍摄画面在视点、图像分辨率、照明变化，行人的姿态、遮挡以及模态等方面不尽相同，行人重识别成为了一项极具挑战性的任务。

传统的行人重识别根据训练样本是否有标注可以分为有监督和无监督两个方向。其中，在有标注的样本上进行行人重识别模型训练的是有监督行人重识别，而在无标注的样本上进行行人重识别模型训练的则是无监督行人重识别。显然，无监督行人重识别相较于有监督行人重识别难度更高，也更接近于实际情况。

无监督行人重识别的模型学习方法主要包括域自适应方法和纯无监督方法。其中，在域自适应方法中，模型在有标注的源域数据集上进行训练，然后再迁移至新的无标注的数据集上进行进一步的训练；而纯无监督方法利用聚类或者图匹配等方法为目标数据打上伪标签，直接在目标域数据集上进行模型训练。由于纯无监督方法难度较高，技术尚不成熟，在实际应用中大多采用域自适应方法进行模型学习。然而，域自适应方法存在有步骤繁琐的缺点。并且随着对模型精度要求的提升，域自适应方法受源域数据集的影响和限制越来越明显。

发明内容

本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

为此，本发明实施例的一个目的在于提供一种无监督的行人重识别方法、系统、装置及存储介质，以实现高精度的、识别准确的无监督的行人重识别。

为了达到上述技术目的，本发明实施例所采取的技术方案包括：

第一方面，本发明实施例提供了一种无监督的行人重识别方法，包括以下步骤：

从ImageNet数据集中获取第一行人数据，所述第一行人数据包括多张第一行人图片和对应的第一图片信息，所述第一图片信息包括对应的所述第一行人图片的拍摄设备信息；

根据所述第一行人图片进行特征提取，生成第一行人特征；

根据所述第一图片信息对所述第一行人特征进行分组，生成第一特征组；

根据所述第一特征组初始化第一记忆字典；

根据所述第一记忆字典调整所述第一行人特征的特征间距，生成第二行人特征；

根据所述第二行人特征初始化第二记忆字典；

根据所述第一记忆字典和所述第二记忆字典构建联合记忆学习模型；

根据所述联合记忆学习模型和第二行人数据进行网络训练，得到行人重识别网络，所述第二行人数据为输入的训练集数据；

采用所述行人重识别网络对待识别的行人数据进行识别，得到行人识别结果。