[发明专利]一种基于改进CycleGAN数据增强的行人重识别方法

说明书

本发明涉及一种基于改进CycleGAN数据增强的行人重识别方法，一是构造数据增强的完整行人重识别识别框架；二是将姿态约束子网络嵌入原始CycleGAN网络中，并通过分割和二值化将彩色行人图像转换为掩膜图像，在训练过程中实时获得行人姿势；三是进一步构造可以约束源图像姿态的损失函数，使得当学习风格类型和人的身份ID到目标域时，保持姿态一致；四是引入半监督学习的多伪正则化标签方法为未标记的数据分配标签，并通过动态更新的训练策略，进一步提高这种方法的有效性；整个方案在行人重识别上，无论从改进CycleGAN生成的增强图片的效果，还是行人重识别的准确率，相较其他经典行人重识别网络，都具有明显的优势。

技术领域

本发明涉及一种基于改进CycleGAN数据增强的行人重识别方法，属于行人识别技术领域。

背景技术

随着深度学习的迅速发展，近年来行人重识别得到了很多关注。行人重识别又被称为行人再识别，如今被视为图像检索的一类关键子问题。它是利用计算机视觉算法对跨设备的行人图像或视频进行匹配，即给定一个查询图像，在不同监控设备的图像库检索出同一个行人。行人重识别的相关概念被提出至今已过去十余年时间，新方法、新思路不断涌现，如今已发展成计算机视觉领域的热门问题。

ReID的巨大挑战是获取数据非常困难。自从Goodfellow等人提出生成对抗网络(GAN)以来，已经陆续提出许多新的改进网络用于图片生成，循环生成对抗网络(CycleGAN)模型是两个对称的镜像，形成一个环网络，它的优势在于可以把任意不匹配两个图像作为输入。另一方面，每组摄像机拍摄的图像风格是不同的，例如分辨率，环境，照明等。因此，图片风格的变化具有对同一人的识别结果有相当大的影响。CamStyle被提出利用CycleGAN生成不同摄像机风格的行人图片，来减少这种影响。从不同的角度来看，一个人的姿势特征将非常不同，有些相机可能会捕捉到更多的人的姿势，而另一些相机可能会捕捉到很少或没有行人姿态。在现有的行人识别方法中，可以通过更充分地学习行人的姿势敏感特征来区分行人。然而，简单地通过生成不同姿态的图像再归一化来增加数据的方法，会引起背景环境差异，光线，以及图像的分辨率等，这限制了识别效果的实质性改进。

另外，当使用CycleGAN生成的图像来训练ReID网络时，会面临生成图像中没有标签的问题。如果生成的图像未手动标记，则在训练过程中生成图像的标记方法不同，这也会影响最终识别结果。许多方法侧重于将标签分配给生成的未标记数据。标签平滑正则化(LSRO)方法用于伪标签分配，以便在预定义的训练中生成数据的统一标签分布。但是，将相同的虚拟标签分配给生成的数据显然不适合实际的图像分布。

发明内容

本发明所要解决的技术问题是提供一种基于改进CycleGAN数据增强的行人重识别方法，引入样本扩充设计，在实现学习目标域身份特征的同时，还可以实现姿势变化和风格变化的组合，提高网络训练的准确性，进而能够有效提高行人重识别的准确性。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于改进CycleGAN数据增强的行人重识别方法，按如下步骤A至步骤B，获得关于预设数据库中各目标人物身份识别的人物识别模型，然后应用人物识别模型，针对待识别人物图像进行身份识别；

步骤A.基于预设数据库中各目标人物分别所对应预设各风格类型人物样本图像，应用目标循环生成对抗网络，生成获得各新增人物样本图像加入预设数据库中，并由预设数据库中全部人物样本图像，构成样本数据集，然后进入步骤B；

步骤B.基于样本数据集，以人物样本图像为输入、人物样本图像所对应预设数据库中目标人物为输出，针对预设神经网络进行训练，获得人物识别模型。