买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉大学

摘要：本发明提供一种无监督行人再识别方法、装置、设备及可读存储介质。该方法包括：对行人图像样本进行聚类，基于聚类结果分别为每张行人图像样本分配一个假标签；构建类别特征存储器和特征存储器；根据假标签获取K*P张行人图像样本；将预处理后的K*P张行人图像样本输入深度学习模型，得到第二行人特征；基于类别特征存储器、特征存储器以及第二行人特征优化深度学习模型；当优化次数达到预设次数时，以最终得到的深度学习模型得到目标行人图像对应的行人特征，将目标行人图像对应的行人特征与数据库中的行人特征进行匹配，得到行人识别结果。通过本发明，解决了现有技术中行人再识别的识别结果准确率较低的技术问题。

主权项：1.一种无监督行人再识别方法，其特征在于，所述无监督行人再识别方法包括：通过深度学习模型得到行人图像样本对应的第一行人特征；通过聚类算法并根据行人图像样本对应的第一行人特征对行人图像样本进行聚类，基于聚类结果分别为同一类别的每张行人图像样本分配一个假标签，其中，同一类别行人图像样本的假标签相同；基于聚类结果和第一行人特征构建类别特征存储器，基于行人图像样本总数和第一行人特征构建特征存储器；根据所述假标签获取K类行人图像样本，从每类行人图像样本中获取P张行人图像样本，其中，K、P为正整数；随机对K*P张行人图像样本进行预处理；将预处理后的K*P张行人图像样本输入深度学习模型，得到深度学习模型输出的K*P张行人图像样本对应的第二行人特征；基于类别特征存储器、特征存储器以及第二行人特征优化深度学习模型；以优化后的深度学习模型为深度学习模型，并返回执行通过深度学习模型得到行人图像样本对应的第一行人特征的步骤；当循环次数达到预设次数时，以最终得到的深度学习模型得到目标行人图像对应的行人特征，将目标行人图像对应的行人特征与数据库中的行人特征进行匹配，得到行人识别结果；所述基于类别特征存储器、特征存储器以及第二行人特征优化深度学习模型的步骤，包括：基于类别特征存储器和第二行人特征，设计类别水平的对比学习，构建第二行人特征对应的动态对比损失函数，其中，第二行人特征对应的动态对比损失函数表示为： 其中，fj表示第j张行人图像样本对应的第二行人特征，A表示聚类得到的类别总数，τ表示超参数，kt代表第j张行人图像样本对应的类别特征，表示动态因子，λ表示关注参数，ka表示类别特征存储器中存储的第a个类别特征；基于特征存储器和第二行人特征，设计图像水平的对比学习，构建第二行人特征对应的样本约束损失函数，其中，第二行人特征对应的样本约束损失函数表示为： 其中，S是N个难负样本的集合，每个负样本在特征存储器中选择，fn表示第二行人特征对应的难负样本特征，fc表示第二行人特征对应的高置信度样本特征，fh表示第二行人特征对应的难正样本特征；基于动态对比损失函数和样本约束损失函数对深度学习模型进行优化，得到优化后的深度学习模型，其中，优化后的深度学习模型表示为：LHCM＝Lcla+β*Limg其中，β表示超参数。

全文数据：

权利要求：

百度查询： 武汉大学 无监督行人再识别方法、装置、设备及可读存储介质