[发明专利]一种基于无监督学习的行人重识别方法和装置

权利要求书

1.一种基于无监督学习的行人重识别方法，其特征在于，包括以下步骤：

步骤一，构建并初始化用于提取行人特征向量的深度神经网络；

步骤二，使用所述深度神经网络从无标签的行人数据集中提取得到每个样本的行人特征向量，对行人特征向量进行聚类和距离计算得到若干聚类中心及聚类中心对应的中心向量和类别标签，分配类别标签给每个样本得到样本伪标签，并将聚类中心存入存储器中对存储器进行初始化；

步骤三，利用所述样本伪标签获取到新的行人训练数据集；

步骤四，对步骤三得到的新的行人训练数据集使用均值采样得到最终批量样本来进行所述的深度神经网络的第一次迭代训练，并在训练的每次迭代中更新网络参数和存储器中的聚类中心及对应中心向量；

步骤五，在第一次迭代训练收敛后，进行第二次迭代训练，直到达到网络模型训练的收敛条件。

2.如权利要求1所述的一种基于无监督学习的行人重识别方法，其特征在于，所述深度神经网络具体为无监督的行人重识别神经网络模型，包括骨干网络和头部网络，所述骨干网络的参数用预先训练的权重进行初始化，头部网络的参数随机初始化；所述骨干网络的参数包括超参数，以及进行行人重识别神经网络模型训练的第一迭代终止条件参数和第二迭代终止条件参数。

3.如权利要求1所述的一种基于无监督学习的行人重识别方法，其特征在于，所述步骤二，具体为：利用初始化后的无监督行人重识别神经网络模型以前向传播方式获取无标签的行人数据集中每个样本的行人特征向量；

对所述行人特征向量进行聚类操作，得到N个类别，N为正整数，每个类别有一个聚类中心，每个聚类中心有一个中心向量和类别标签，并保存聚类中心至存储器中；其中，聚类操作具体采用的聚类算法为DBSCAN，距离计算方式为jaccard；

对无标签的行人数据集中的所有样本按N个类别进行划分，并分配所属类别的标签，得到样本伪标签。

4.如权利要求3所述的一种基于无监督学习的行人重识别方法，其特征在于，所述步骤三，具体为：遍历无标签的行人数据集中所有的行人样本，若样本的标签为-1，则为离群点，作忽略排除处理，若样本的标签不为-1，则将该样本的行人特征向量加入到新的行人训练数据集；其中，未分类的样本或不属于任何类别的样本定义为离群点，标签为-1。

5.如权利要求4所述的一种基于无监督学习的行人重识别方法，其特征在于，所述步骤四，具体为：对所述新的行人训练数据集通过均值采样得到最终批量样本，之后进行第一次迭代训练，与所述存储器中的聚类中心计算分类损失函数，并根据分类损失函数进行一次无监督行人重识别神经网络模型的参数更新，其中分类损失函数表达式为：

，

其中，表示样本q所属存储器中的类特征向量即中心向量，越小表示样本q与类越相近，与其他类越远，为超参数。

6.如权利要求5所述的一种基于无监督学习的行人重识别方法，其特征在于，在第一次迭代训练的每一次迭代的过程中，同时使用动量法将均值采样后的特征更新到存储器中原来的聚类中心对应的中心向量上，具体表达式如下：

,

其中，为存储器中类别为索引为的中心向量，为所属类别索引同为的均值采样后的特征值，为新的存储器类别索引为的中心向量，m为动量值。

7.如权利要求5所述的一种基于无监督学习的行人重识别方法，其特征在于，所述均值采样，具体包括：

步骤S101，将新的行人训练数据集中的特征向量按类别进行分组，属于同一个类的样本为一组，从中随机挑选出P个组，得到对应的类别索引Index；

步骤S102，对Index中的类别，分别从中挑选的得到B个特征样本，即总共得到P×B个样本；

步骤S103，分别计算得到每个类别中B个样本的特征均值。