(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111636116.0 (22)申请日 2021.12.2 9 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 黄立勤　丁肇丰　潘林　杨明静　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 代理人 陈鼎桂　蔡学俊 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06K 9/62(2022.01) (54)发明名称 一种无监 督行人重识别方法 (57)摘要 本发明涉及一种无监督行人重识别方法， 包 括以下步骤： 步骤S1:获取包括若干视角的行人 图像数据， 构建行人数据集； 步骤S2:构建行人重 识别模型， 并基于无监督的视角内和视角外的训 练方法进行训练， 得到训练后的行人重识别模 型； 步骤S3:将待识别图像输入训练后的行人重 识别模型， 获取识别结果。 本发明解决相似度计 算问题导致 分配伪标签不准确问题， 有效提高识 别效率和可靠性。 权利要求书2页 说明书5页 附图1页 CN 114299543 A 2022.04.08 CN 114299543 A 1.一种无监 督行人重识别方法， 其特 征在于， 包括以下步骤： 步骤S1:获取包括若干 视角的行 人图像数据， 构建行 人数据集； 步骤S2:构建行人重识别 模型， 并基于无监督的视角内和视角外的训练方法进行训练， 得到训练后的行 人重识别模型； 步骤S3:将待识别图像输入训练后的行 人重识别模型， 获取识别结果。 2.根据权利要求1所述的一种无监督行人重识别方法， 其特征在于， 所述视角包括4种 v ＝{left,right,fro nt,behind}。 3.根据权利要求1所述的一种无监督行人重识别方法， 其特征在于， 所述基于无监督的 视角内和视角外的训练方法进行训练， 具体如下： 步骤S21:通过CN N网络在每一个视角下提取到一个全局的特 征； 步骤S22:利用全局特征在每一个视角下都进行一次聚类， 产生N个视角下的伪标签之 后进行一个带有分类 器的有监 督训练； 步骤S23:通过计算由分类器产生的分类得分去计算一个视角相似度， 利用视角相似度 和全局相似度去衡量两个样本的相似性； 利用相似性把所有的样本进行聚类分配伪标签， 再利用伪标签进行监 督学习； 步骤S24:迭代进行步骤S2 2‑S23， 优化视角间的相似度和优化非视角的相似度的信息 。 4.根据权利要求3所述的一种无监督行人重识别方法， 其特征在于， 所述利用全局特征 在每一个视角下都进行一次聚类， 具体为： 将训练集X划分为子集X＝{X1..Xc}； 根据特征f去计算相似度用于在每一个子集进行聚类； 在每一个子集中分配聚类产生的伪标签， 使得 数据集成为有标签的数据集。 5.根据权利要求3所述的一种无监督行人重识别方法， 其特征在于， 所述步骤S23具体 为： 使用皮尔森相关系数来计算 他们的相似性 其中cov是求两个向量的协方差， σ 是两个向量的标准差； μ表示的是均 值； M,N代表的是 两个由网络模型提取 出来的特 征向量； 其中， p(k|fm， wc)表示的是由分类器得出的第k个分类概率， 分类得分Sm是通过连接来 自C分类器的分类得分来获得的； 中c表示的是某一个视角； 计算完皮尔森相关系数后， 通过公式计算出两个样本之间的相似性 SIM(fm,fn)＝dist(fm,fn)+ μ·Pm， n 进一步生成基于 视角方面相似性的伪标签， 然后进行 带伪标签的有监 督训练。 6.根据权利要求5所述的一种无监督行人重识别方法， 其特征在于， 所述步骤S23加入 了memory  bank用来更新实例之间的差别， 具体为： 首先初始化每一个特征存入memory   bank中， 再每一次更新的同时， 对memory进行更新， 并且计算损失， 从特征的角度去更新向 量：权　利　要　求　书 1/2 页 2 CN 114299543 A 2ci←m·ci+(1‑m)·q 其中， 实例q是本次提取的特征， ci表示上一次储存再memory的同一个图像的特征； m是 动量更新因子 。 7.根据权利要求1所述的一种无监督行人重识别方法， 其特征在于， 所述行人重识别模 型正则化层采用一种新的正则化层AIBLN， 具体为： 通过将IN和BN和LN得到的统计量线性融 合计算出来的 其中X∈RH×W×N是featuremap， μbn， σbn是通过BN计算的均值和方差。 μin， σin是通过IN计算 的均值和方差； μln， σln是通过LN计算的均值和方差； γ和β 是仿射参数， λ是一个可学习的加 权参数； λ 的优化可以在CNN训练过程中通过反向传播进 行优化； 在网络的训练过程中， 并没 有加入任何对 λ 的限制； 在优化的过程中把 λ 的参数限制在[0,1]。权　利　要　求　书 2/2 页 3 CN 114299543 A 3