1.一种基于通道信息和全局信息互补的无监督行人重识别方法,其特征在于,包括:步骤1、获取无标签的图像;
步骤2、将所述图像输入到深度卷积神经网络中提取全局特征;
步骤3、将所述全局特征按照特征通道方向划分得到多个局部特征,计算每个全局特征及其局部特征之间的特征亲密度参数;
步骤4、根据所述特征亲密度参数、局部特征和全局特征,双向优化标签分类结果,得到抗噪的全局伪标签和平滑后的局部特征标签,包括:步骤4.1:对于每个全局特征,选取特征亲密度参数最低的局部特征作为负样本对全局特征进行标签优化,获得抗噪的全局伪标签,表示为:式中:为输出的抗噪的全局伪标签,yi是全局特征的分类器结果,是负样本通过局部特征分类器获得的预测向量,Sn(fig)、Sk(fig)分别表示当前第i个全局特征和第n、k个局部特征的亲密度参数,是负样本在源数据相同的局部特征里的排序归一化值,用来软化负样本对全局伪标签的影响,防止出现数据差距过大时的极端结果,u是均匀矢量;作为权重系数用来控制全局伪标签和负样本的选择趋向;
步骤4.2:基于获得的抗噪的全局伪标签,平滑全局特征对应的所有局部特征标签,得到平滑后的局部特征标签,表示为:式中:是平滑后的局部特征标签,β=Sn(fig)为特征亲密度参数;
步骤5、将抗噪的全局伪标签和平滑后的局部特征标签作为图像标签,利用所述图像及其图像标签对深度卷积神经网络进行训练,得到训练好的深度卷积神经网络;训练时采用的损失函数为局部特征损失函数和全局特征损失函数叠加;
步骤6、将待识别的图像输入训练好的深度卷积神经网络,根据所述深度卷积神经网络的输出,得到行人重识别结果。
2.根据权利要求1所述的基于通道信息和全局信息互补的无监督行人重识别方法,其特征在于,步骤2中,将所述图像输入到深度卷积神经网络中提取全局特征,包括:式中:y[i]表示每个位置i上的卷积输出,x[i]表示每个位置i上的输入,w[k]表示长度为k的卷积滤波器,r表示采样步长。
3.根据权利要求1所述的基于通道信息和全局信息互补的无监督行人重识别方法,其特征在于,步骤3中,将所述全局特征按照特征通道方向划分得到多个局部特征,包括:将全局特征沿通道划分,卷积层得到的特征fig∈RC×H×W,其中C、H、W分别为特征图的通道数、高度以及宽度,i为全局特征的字典序,g表示为全局特征,通道划分数设置为4,局部特征的尺度为其中Pn表示字典序为n的局部特征。
4.根据权利要求1所述的基于通道信息和全局信息互补的无监督行人重识别方法,其特征在于,步骤3中,计算每个全局特征及其局部特征之间的特征亲密度参数,包括:采用Jaccard相似系数计算全局特征及其局部特征之间的特征亲密度参数:式中:C(|·|)是一个簇中所有全局特征和局部特征的集合,n为全局特征的通道划分数,Sn(fig)表示当前第i个全局特征和第n个局部特征的亲密度参数。
5.根据权利要求1所述的基于通道信息和全局信息互补的无监督行人重识别方法,其特征在于,步骤5中,利用所述图像及其图像标签对深度卷积神经网络进行训练包括:训练时采用的损失函数表示为:
式中:为损失函数,K、N表示分类器的类别数目,为局部特征损失值,为平滑后的局部特征标签,是负样本通过局部特征分类器获得的预测向量,为全局特征损失值,为输出的抗噪的全局伪标签,为全局特征通过分类器获得的预测向量。
6.一种基于通道信息和全局信息互补的无监督行人重识别装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1至5任一项所述方法的步骤。
7.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
8.一种计算机设备,其特征在于:包括,
一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至5所述的方法中的任一方法的指令。