一种基于对比特征的行人重识别方法及系统与流程

技术特征：
1.一种基于对比特征的行人重识别方法，其特征在于，包括以下步骤：获取给定的查询图像和无标签行人图像集合，输入预训练好的卷积神经网络中，获得给定的查询图像的特征向量以及给定的无标签行人图像集合的特征向量集合；基于给定的查询图像的特征向量和给定的无标签行人图像集合的特征向量集合，获得行人重识别结果；其中，所述预训练好的卷积神经网络的获取步骤包括：将无标签行人训练图像样本集合中的每个训练图像样本输入预构建的卷积神经网络中，获得训练图像样本特征集合；基于所述训练图像样本特征集合，使用多视角聚类策略挖掘获得具有高置信度伪标签的样本；基于获得的具有高置信度伪标签的样本，将具有相同伪标签的样本作为一个样本簇，生成每个样本簇的特征中心，将样本簇的特征中心记为样本簇的原型向量；将当前训练样本输入预构建的卷积神经网络中，获得当前训练样本特征；基于当前训练样本特征与每个样本簇之间的关系，为当前训练样本特征生成难原型向量集合；基于挖掘获得的高置信度伪标签，获取当前训练样本特征的高置信度正样本，将所述高置信度正样本转化为难正样本；基于所述难原型向量集合与所述难正样本，采用动态交叉熵损失函数与相对熵损失函数，训练所述预构建的卷积神经网络，获得所述预训练好的卷积神经网络。2.根据权利要求1所述的一种基于对比特征的行人重识别方法，其特征在于，所述基于所述训练图像样本特征集合，使用多视角聚类策略挖掘获得具有高置信度伪标签的样本的步骤具体包括：基于无标签行人训练图像样本集合，使用预设的数据增强方法生成多视角的训练图像样本集合；基于多视角的训练图像样本集合，获得多组不同的特征集合；基于所述多组不同的特征集合，使用多视角聚类策略挖掘获得具有高置信度伪标签的样本。3.根据权利要求1所述的一种基于对比特征的行人重识别方法，其特征在于，所述基于所述训练图像样本特征集合，使用多视角聚类策略挖掘获得具有高置信度伪标签的样本的步骤具体包括：使用不改变语义信息的第一数据转换方式对训练图像进行变换，获得训练图像样本集合，对应提取每个训练图像样本的特征并存入第一特征库中；使用不改变语义信息的第二数据转换方式对训练图像进行变换，获得训练图像样本集合，提取对应的训练图像样本的特征存入第二特征库中；其中，第一特征库和第二特征库分别表示为：式中，n表示训练图像样本集合中图像的个数，m1表示存储的由预构建的卷积神经网络q从由数据强化方式t1转换的训练样本提取的特征，m2表示存储的由预构建的卷积神经网络q由数据强化方式t2转换的训练样本提取的特征，i表示第i个训练图像样本；根据计算获得输入训练图像样本与所有训练图像样本之间的第一余弦相似度列表；基于所述第一余弦相似度列表，使用预设聚类算法为无标签行人训练图像样本分配第一组伪标签y1；根据计算获得输入训练图像样本与所有训练图像样本之间
的第二余弦相似度列表；基于所述第二余弦相似度列表，使用预设聚类算法为无标签行人训练图像样本分配第二组伪标签y2；无标签行人训练图像样本的最终伪标签表示为：式中，表示图像样本x
i
在y1中的伪标签，表示x
i
在y2中的伪标签，y
i
表示x
i
最终的高置信度伪标签。4.根据权利要求3所述的一种基于对比特征的行人重识别方法，其特征在于，所述预设聚类算法为dbscan聚类算法。5.根据权利要求3所述的一种基于对比特征的行人重识别方法，其特征在于，所述基于获得的具有高置信度伪标签的样本，将具有相同伪标签的样本作为一个样本簇，生成每个样本簇的特征中心，将样本簇的特征中心记为样本簇的原型向量中，原型向量的计算表达为：c＝{c
j
}式中，c表示各个样本簇的原型的集合，c
j
表示第j个簇的原型向量，c
j
表示第j个样本簇，j表示所述样本簇的编号。6.根据权利要求5所述的一种基于对比特征的行人重识别方法，其特征在于，所述基于当前训练样本特征与每个样本簇之间的关系，为当前训练样本特征生成难原型向量集合中，难原型向量集合表示为，式中，c*表示生成的难原型向量集合，x
i
表示当前的查询样本，l
c
为所使用的动态交叉熵损失函数；采用对抗训练的方式，对-lc使用随机梯度下降算法对原始簇原型进行优化，获得c*，过程表示为式中，η表示难原型的更新率；v表示当前的迭代次数，在经过v次迭代后获得c
(v)
，c
(v)
为查询样本特征生成的难原型向量集合c*；l
c
(x
i
；c)＝-logsoftmax(q(t1(x
i
)
t
c/τ))，式中，τ表示模式参数，q表示预构建的卷积神经网络，c表示原型向量，t1表示数据增强方式，x
i
表示当前训练样本，t为矩阵的转置操作。7.根据权利要求6所述的一种基于对比特征的行人重识别方法，其特征在于，所述基于挖掘获得的高置信度伪标签，获取当前训练样本特征的高置信度正样本，将所述高置信度正样本转化为难正样本的步骤具体包括：根据挖掘获得的高置信度伪标签，为当前训练样本特征随机选取一个具有相同伪标签的样本作为正样本，并生成当前训练样本特征的难正样本，难正样本表示为，式中，表示生成的特定于当前查询样本的难正样本，x
p
表示选取的高置信度简单正样本，lr表示使用的相对熵损失函数；
式中，v(f)＝softmax(f
t
·
c/τ)表示特征f与c的相似度分布，t2为与t1不同的另一种数据增强方式，用于保持特征的多样性；采用对抗训练的方式对原样本进行更新获得过程表示为式中，η
d
表示难正样本的更新率，z表示当前的迭代次数，在经过z次迭代后得出为所得的特定于当前查询样本的难正样本8.根据权利要求7所述的一种基于对比特征的行人重识别方法，其特征在于，所述基于所述难原型向量集合与所述难正样本，采用动态交叉熵损失函数与相对熵损失函数，训练所述预构建的卷积神经网络，获得所述预训练好的卷积神经网络具体包括：将当前训练样本特征生成的难原型送入原型对比损失函数中，将当前训练样本特征生成的难正样本送入相对熵损失函数中，联合训练所述预构建的卷积神经网络，获得所述预训练好的卷积神经网络：其中，总的损失函数表示为，式中，lc为所使用的动态交叉熵损失项，lr为所使用的相对熵损失项，c*为生成用于训练过程的难原型，x
p
*表示生成的用于训练过程的难正样本；通过随机梯度下降算法，优化预构建的卷积神经网络，优化目标为式中，θ表示为预构建的卷积神经网络的参数，l为用于优化的总的损失函数；同时更新特征库m：式中，m
(t)
[i]表示在第t个训练迭代时存储在特征库m中的第i个特征向量，x
p
为当前训练样本x
i
的正样本，m
(t)
[i]为进行标准化操作之后的特征向量，表示为用于更新特征的向量，该特征具有与当前训练样本相同的语义特征，γ表示特征库m的更新率。9.根据权利要求1所述的一种基于对比特征的行人重识别方法，其特征在于，所述基于给定的查询图像的特征向量和给定的无标签行人图像集合的特征向量集合，获得行人重识别结果的步骤具体包括：根据给定的查询图像的特征向量与给定的无标签行人图像集合的特征向量集合中的各个特征之间的欧式距离，获取给定的无标签行人图像集合关于给定的查询图像的排序列表；基于所述排序列表获得行人重识别结果。10.一种基于对比特征的行人重识别系统，其特征在于，包括：特征获取模块，用于获取给定的查询图像和无标签行人图像集合，输入预训练好的卷积神经网络中，获得给定的查询图像的特征向量以及给定的无标签行人图像集合的特征向量集合；识别结果获取模块，用于基于给定的查询图像的特征向量和给定的无标签行人图像集
合的特征向量集合，获得行人重识别结果；其中，所述预训练好的卷积神经网络的获取步骤包括：将无标签行人训练图像样本集合中的每个训练图像样本输入预构建的卷积神经网络中，获得训练图像样本特征集合；基于所述训练图像样本特征集合，使用多视角聚类策略挖掘获得具有高置信度伪标签的样本；基于获得的具有高置信度伪标签的样本，将具有相同伪标签的样本作为一个样本簇，生成每个样本簇的特征中心，将样本簇的特征中心记为样本簇的原型向量；将当前训练样本输入预构建的卷积神经网络中，获得当前训练样本特征；基于当前训练样本特征与每个样本簇之间的关系，为当前训练样本特征生成难原型向量集合；基于挖掘获得的高置信度伪标签，获取当前训练样本特征的高置信度正样本，将所述高置信度正样本转化为难正样本；基于所述难原型向量集合与所述难正样本，采用动态交叉熵损失函数与相对熵损失函数，训练所述预构建的卷积神经网络，获得所述预训练好的卷积神经网络。

技术总结
本发明公开了一种基于对比特征的行人重识别方法及系统，所述行人重识别方法包括以下步骤：获取给定的查询图像和无标签行人图像集合，输入预训练好的卷积神经网络中，获得给定的查询图像的特征向量以及给定的无标签行人图像集合的特征向量集合；基于给定的查询图像的特征向量和给定的无标签行人图像集合的特征向量集合，获得行人重识别结果。本发明提供的基于对比特征的行人重识别方法，具有较好的识别精确度。识别精确度。识别精确度。


技术研发人员：王乐 季皓宣烨 周三平 陈仕韬 辛景民 郑南宁
受保护的技术使用者：宁波市舜安人工智能研究院
技术研发日：2022.01.27
技术公布日：2022/5/5