[发明专利]一种面向行人重识别的自适应弱监督标签标记方法

权利要求书

1.一种面向行人重识别的自适应弱监督标签标记方法，其特征在于，包括如下步骤：

步骤1：获取不同摄像头下的行人图像训练数据集V，且每个样本图像带有各自的身份标签，并进行预处理；

步骤2：基于RetinaFace网络对行人图像样本进行人脸检测，根据检测结果划分为检测出人脸的图像和未检测出人脸的图像，其中检测出人脸的图像再进行噪声度量，将其分为高噪人脸和低噪人脸，并将高噪人脸采用Swin-Conv-UNet网络进行图像降噪；

步骤3：分别对检测出人脸降噪处理后图像集合U₃和未检测出人脸的图像集合V₂通过卷积神经网络进行特征提取得到行人人脸图像特征向量集合和行人全局特征向量集合

步骤4：分别对F₁和F₂中不同摄像头图像样本进行两两余弦相似度计算，将不同摄像头下相似度最高的两个样本图像定义为同一行人并打上相同身份关联标签；

步骤5：将学习到的身份关联标签更新到训练数据集中，由网络进行迭代，再计算损失进行标签增量更新训练，不断将新的关联标签放到下一次的训练中作为基础标签集。

2.根据权利要求1所述的面向行人重识别的自适应弱监督标签标记方法，其特征在于，所述步骤2中基于RetinaFace网络对行人图像样本进行人脸检测具体如下：

所述RetinaFace网络由骨干网络和多任务子网络组成，所述骨干网络是ResNet的FPN网络，所述多任务子网络同时输出人脸分数、人脸关键点、人脸像素三维信息、人脸检索框；所述RetinaFace在WIDER FACE数据集上使用Tensorflow深度学习框架进行训练，并采用随机梯度下降SGD作为模型优化器，同时加入学习率衰减模块；当RetinaFace网络在检测出人脸时，会输出其人脸区域评分以及人脸关键点坐标，若未检测出人脸时，则当前图像数据人脸数量为0，认为其未检测出人脸。

3.根据权利要求1所述的面向行人重识别的自适应弱监督标签标记方法，其特征在于，所述步骤2中将高噪人脸采用Swin-Conv-UNet网络进行图像降噪的具体过程如下：

所述Swin-Conv-UNet网络将Swin-Conv模块嵌入到UNet网络骨干中，其包含四个尺度，每个尺度包含用于上采样的SConv和下采样的TConv模块以及所设计的SC模块，每个不同尺度的通道数不同，其通道数分别为64、128、256、512；

首先，将高噪人脸图像特征R经过1×1卷积处理得到R₁,R₂，公式如下：

R₁,R₂＝Split(Conv1×1(R))

然后，R₁,R₂分别进入SwinT和RConv模块中进行处理，得到T₁,T₂，公式如下：

T₁,T₂＝SwinT(R₁),RConv(R₂)

最后，将上述所得到的T₁,T₂经过Concat与1×1卷积输出残差，然后与首次输入的特征进行相加，得到最后的输出特征F，公式如下：

F＝Conv1×1(Concat(T₁,T₂))+R

将Swin-Conv模块得到的输出结合上下采样得到最后的降噪后人脸集合U₃。