申请/专利权人：清华大学

申请日：2021-08-18

公开（公告）日：2024-04-26

公开（公告）号：CN113792606B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/30;G06V10/762;G06V10/44;G06V10/62;G06V10/80;G06V10/82;G06N3/045;G06N3/084;G06T7/246

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2021.12.31#实质审查的生效;2021.12.14#公开

摘要：本申请提出了一种基于多目标追踪的低成本自监督行人重识别模型构建方法，涉及行人重识别技术领域，其中，该方法包括：采集原始监控视频；利用多目标追踪算法处理原始监控视频得到有噪声的轨迹片段集合；在轨迹片段集合内部抑制身份切换噪声得到初步去噪的数据；将初步去噪的数据同时输入教师网络和学生网络，使用教师网络对初步去噪的数据包含的图像进行特征提取和聚类生成伪标签对学生网络进行训练，更新学生网络的权重；利用学生网络的权重使用滑动平均法更新教师网络的权重；经过多次迭代后，以教师网络为最终的行人重识别模型。本申请将多目标追踪结果作为无监督重识别训练的数据，由算法自动完成，无需人工参与，可以有效的训练重识别模型。

主权项：1.一种基于多目标追踪的低成本自监督行人重识别模型构建方法，其特征在于，包括以下步骤：步骤S1：使用摄像网络中的每个摄像头，采集原始监控视频；步骤S2：利用多目标追踪算法处理所述原始监控视频，得到有噪声的轨迹片段集合，其中，所述轨迹片段集合包括两种噪声，分别是身份分裂噪声和身份切换噪声；步骤S3：在所述轨迹片段集合内部进行基于密度的聚类，抑制所述身份切换噪声，得到初步去噪的数据，其中，所述基于密度的聚类包括以下步骤：对于每个含有身份切换噪音的轨迹片段，提取其包含的每帧图片的特征；在提取出来的特征上使用基于密度的聚类，将所述含有身份切换噪音的轨迹片段拆解生成若干更小规模且噪声含量更低的轨迹片段；步骤S4：将所述初步去噪的数据同时输入教师网络和学生网络，使用教师网络对所述初步去噪的数据包含的图像进行特征提取和聚类，抑制所述身份分裂噪声，生成伪标签，使用所述伪标签对所述学生网络进行训练，更新所述学生网络的权重，其中，所述使用教师网络对所述初步去噪的数据包含的图像进行特征提取和聚类，包括以下步骤：对于完成初步去噪的轨迹片段集合，对轨迹片段中包含的图片进行特征提取，将属于同一轨迹片段的图片特征进行融合，得到的特征即为对应的轨迹片段的特征，使用得到的特征进行基于密度的聚类；训练过程使用的损失函数表示为： 其中，为整体的损失函数，为身份分类损失函数，为三元组损失函数，表示当前状态下学生网络的权重，表示输入数据的总数量，表示轨迹片段集合，表示第个轨迹片段，表示交叉熵损失函数，表示模型结构中的分类器部分，表示使用当前模型提取第个输入数据的特征结果，表示聚类生成的伪标签，表示距离，表示与相同身份的输入数据，表示与不同身份的输入数据，表示三元组损失中的边界阈值，超参数和均表示对应的损失函数的权重；步骤S5：利用所述学生网络的权重使用滑动平均法更新所述教师网络的权重；步骤S6：重复进行步骤S4、步骤S5，经过多次迭代后，所生成的教师网络为最终的行人重识别模型。

全文数据：

权利要求：

百度查询： 清华大学 基于多目标追踪的低成本自监督行人重识别模型构建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD