【技术实现步骤摘要】
本专利技术涉及机器视觉，具体涉及一种基于不变性约束对比学习的无监督行人再识别方法。
技术介绍
1、近年来行人重识别在计算机视觉领域得到了非常广泛的研究，目标是给定一张待检索的行人图片，在几个互不重叠的摄像头拍摄的视频中检索该人并输出。行人重识别（re-id）旨在通过非重叠相机视角将同一个人的图像关联起来，尽管在完全监督的方法方面取得了巨大进展，但在实际实践中，标签注释仍然需要时间和工作量。为了绕过注释的稀缺性，从未标记的数据中学习身份检索的判别特征的无监督方法近年来越来越受到关注。通常，无监督的re-id可以分为两类取决于是否使用额外标记的数据、无监督域自适应（uda）和完全无监督学习（usl）。在uda中，得到了一个标记的源域和一个未标记的目标域的数据。两个域具有不同的分布，并用于训练在目标域上有良好泛化特性的模型。完全无监督的人re-id更具挑战性，因为只提供未标记的图像来训练深度模型。
2、尽管大多数现有的方法都显示出很好的准确性，但受到以下因素的阻碍:1)聚类产生的噪声标签导致优化效果差，从而阻碍了模型识别的准确性。2)不同相机风格引起的特征变化，导致同一类别内的样本预测不准确。
技术实现思路
1、鉴于以上所述现有技术的缺点，本专利技术提供一种基于不变性约束对比学习的无监督行人再识别方法，提升行人重识别的准确性。
2、为实现上述效果，本专利技术的技术方案如下：
3、本专利技术提供一种基于不变性约束对比学习的无监督行人再识别方法，包括以下步
4、步骤1：利用摄像头对行人进行摄像头感知分类，获取行人图像；使用预训练的resnet网络作为主干编码器获取行人图像的特征向量；
5、步骤2：获取行人图像中聚类距离最短的特征向量，作为查询特征；
6、获取标签数据集和无标签数据集，将标签数据集作为一层，将无标签数据集分为n层，
7、并对各层的无标签数据分别赋值伪标签，形成n层伪标签数据，n为常数；
8、步骤3：获取伪标签的同类特征的表征特征，作为质心特征，基于质心特征和查询特征之间的相似矩阵，在相机不变性相似矩阵中，将使用同一聚类内被不同相机捕获的样本作为正样本；对于中心不变性相似矩阵和实例不变性相似矩阵；结合中心不变性损失、实例不变性损失和相机不变性损失来计算行人图像的对比度损失；
9、步骤4：构建resnet网络的不变性约束对比度的总损失，基于总损失函数对resnet网络进行多轮训练，每一轮训练过程中对无标签数据集重新进行分层。
10、本专利技术提出了中心不变性、处理有噪声样本的实例不变性和适应摄像机变化的相机不变性。中心不变性和实例不变性可以缓解噪声样本的负面影响，而相机不变性通过利用相机感知分类策略提高了判别性。通过在两个公开数据集上进行的大量测试表明，本专利技术提出的方法优于以前最先进的方法，并显着提高了无监督人员重新识别的性能。
11、进一步的，步骤2中所述获取行人图像中聚类距离最短的特征向量，包括：
12、采用dbscan聚类法对全部有标签数据和无标签数据进行聚类，将dbscan聚类方法应用于聚类距离最短的特征向量。
13、进一步的，步骤2所述对各层无标签数据赋值伪标签的方式为：
14、对于最近邻伪标签数据，将与其欧式距离最小的有标签数据的标签作为此最近邻伪标签数据的伪标签；
15、对于聚类伪标签数据，基于提取的特征对全部有标签数据和无标签数据进行聚类，将属于同一聚类类型中的有标签数据的标签作为该聚类类型中聚类伪标签数据的伪标签。
16、进一步的，步骤3所述中心不变性损失，具体为：
17、构造一个初始化的聚类质心矩阵，通过每个聚类的代表动态更新聚类质心矩阵；中心不变性损失公式如下：
18、
19、其中，是查询编码，是共享同一标签的质心特征，为根据伪标签得到的每个簇的第一质心；更新机制如下：
20、
21、其中，是动量更新因子，表示个簇集和；|.|表示每个集群的实例数，包含所有特征向量簇。
22、进一步的，步骤3所述实例不变性损失，具体为：
23、获取每个特征向量之间的距离和第二质心, 并将具有聚类距离最短的特征向量视为代表，并将质心更新为：
24、
25、其中，为第一质心的初始化值；
26、通过上式获得实例质心 φn，并将其纳入对比度损失方程中：
27、
28、其中， φ+是共享同一标签的实例质心特征。
29、进一步的，步骤3所述相机不变性，具体为：
30、相机不变性损失具有的相机不变性相似性查询功能如下：
31、
32、其中，p表示用相同聚类内但由不同相机捕获的样本设置的正特征集，相机簇属于p，q表示负特征集；表示温度；相机不变性损失表达如下：
33、。
34、进一步的，步骤4中resnet网络的不变性约束对比度的总损失为：
35、
36、其中，是控制相机不变性重要性的超参数。
37、与现有技术相比，本专利技术技术方案的有益效果是：
38、本专利技术提出了中心不变性、处理有噪声样本的实例不变性和适应摄像机变化的相机不变性损失，通过中心不变性和实例不变性缓解噪声样本的负面影响，相机不变性利用相机感知分类策略提高了resnet网络判别性能，解决了由于聚类产生的噪声标签从而导致模型的不准确问题，提升行人重识别的准确性；并解决不同相机风格引起的特征变化导致同一类别内的样本预测不准确，但被不同的相机捕获问题。
本文档来自技高网...【技术保护点】
1.一种基于不变性约束对比学习的无监督行人再识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤2中所述获取行人图像中聚类距离最短的特征向量，包括：
3.根据权利要求1所述的方法，其特征在于，步骤2所述对各层无标签数据赋值伪标签的方式为：
4.根据权利要求1所述的方法，其特征在于，步骤3所述中心不变性损失，具体为：
5.根据权利要求4所述的方法，其特征在于，步骤3所述实例不变性损失，具体为：
6.根据权利要求5所述的方法，其特征在于，步骤3所述相机不变性，具体为：
7.根据权利要求6所述的方法，其特征在于，步骤4中ResNet网络的不变性约束对比度的总损失为：
【技术特征摘要】
1.一种基于不变性约束对比学习的无监督行人再识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤2中所述获取行人图像中聚类距离最短的特征向量，包括：
3.根据权利要求1所述的方法，其特征在于，步骤2所述对各层无标签数据赋值伪标签的方式为：
4.根据权利要求1所述的方法...
【专利技术属性】
技术研发人员：汪磊，刘宸刚，焦瑞胜，马萍，皇甫紫薇，袁杰，沈飞凤，葛学健，
申请(专利权)人：无锡学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。