(19)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 202210401595.6 (22)申请日 2022.04.18 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 陈弟虎　郑立锋　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 梁嘉琦 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/44(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06V 20/52(2022.01)G06V 40/10(2022.01) (54)发明名称 一种无监督的行人重识别方法、 系统、 装置 及存储介质 (57)摘要 本发明公开了一种无监督的行人重识别方 法、 系统、 装置及存储介质。 无监督的行人重识别 方法包括： 从I mageNet数据集中获取第一行人数 据； 根据第一行人图片提取第一行人特征； 根据 第一图片信息对第一行人特征进行分组生成第 一特征组； 根据第一特征组初始化第一记忆字 典； 根据第一记忆字典调整第一行人特征的特征 间距， 生成第二行人特征； 根据第二行人特征初 始化第二记忆字典； 根据第一记忆字典和第二记 忆字典构建联合记忆学习模型； 根据联合记忆学 习模型和第二行人数据进行网络训练， 得到行人 重识别网络； 采用行人重识别网络对待识别的行 人数据进行识别， 得到行人识别结果。 本发明实 现了高精度的、 识别准确的无监督的行人重识 别。 权利要求书3页 说明书12页 附图3页 CN 114821139 A 2022.07.29 CN 114821139 A 1.一种无监 督的行人重识别方法， 其特 征在于， 包括以下步骤： 从ImageNet数据集中获取第一行人数据， 所述第一行人数据包括多张第一行人图片和 对应的第一图片信息， 所述第一图片信息包括对应的所述第一行 人图片的拍摄设备信息； 根据所述第一行 人图片进行 特征提取， 生成第一行 人特征； 根据所述第一图片信息对所述第一行 人特征进行分组， 生成第一特 征组； 根据所述第一特 征组初始化第一记 忆字典； 根据所述第一记 忆字典调整所述第一行 人特征的特征间距， 生成第二行 人特征； 根据所述第二行 人特征初始化第二记 忆字典； 根据所述第一记 忆字典和所述第二记 忆字典构建联合记 忆学习模型； 根据所述联合记忆学习模型和第二行人数据进行网络训练， 得到行人重识别网络， 所 述第二行 人数据为输入的训练集数据； 采用所述行 人重识别网络对待识别的行 人数据进行识别， 得到行 人识别结果。 2.根据权利要求1所述的一种无监督的行人重识别方法， 其特征在于， 所述根据 所述第 一行人图片进行 特征提取， 生成第一行 人特征， 包括： 根据行人检测算法对所述第一行 人图片进行 行人检测， 生成行 人标定框； 通过所述行人标定框切割所述第一行 人图片， 生成第二行 人图片； 通过特征提取网络对所述第二行 人图片进行 特征提取， 生成所述第一行 人特征。 3.根据权利要求1所述的一种无监督的行人重识别方法， 其特征在于， 所述根据 所述第 一特征组初始化第一记 忆字典， 包括： 对每个所述第一特征组内的所述第一行人特征进行聚类， 生成第一特征类， 所述第一 特征类中包括第三行 人特征， 所述第三行 人特征包括所述第一行 人特征和对应的伪标签； 对每个所述第一特征类内的所述第三行人特征取平均， 生成第 四行人特征， 所述第 四 行人特征为所述第一特 征类的特 征表示； 根据所述第四行 人特征构建所述第一记 忆字典。 4.根据权利要求3所述的一种无监督的行人重识别方法， 其特征在于， 所述根据 所述第 一记忆字典调整所述第一行 人特征的特征间距， 生成第二行 人特征， 包括： 对所述第一行 人特征与所述第四行 人特征进行相似度计算， 得到第一相似度； 根据所述第一相似度生成相似度分布； 根据所述相似度分布调整所述第一行 人特征的特征间距， 生成所述第二行 人特征。 5.根据权利要求4所述的一种无监督的行人重识别方法， 其特征在于， 所述根据 所述第 二行人特征初始化第二记 忆字典， 包括： 对所述第二行人特征进行聚类， 生成第二特征类， 所述第二特征类中包括第五行人特 征， 所述第五行 人特征包括所述第二行 人特征和对应的伪标签； 对每个所述第二特征类内的所述第五行人特征取平均， 生成第六行人特征， 所述第六 行人特征为所述第二特 征类的特 征表示； 根据所述第六 行人特征构建所述第二记 忆字典。 6.根据权利要求5所述的一种无监督的行人重识别方法， 其特征在于， 所述第 二行人数 据包括多张第三行人图片和对应的第二图片信息， 所述第二图片信息包括对应的所述第三 行人图片的拍摄设备信息；权　利　要　求　书 1/3 页 2 CN 114821139 A 2所述根据所述联合记忆学习模型和第二行人数据进行网络训练， 得到行人重识别网 络， 包括： 根据所述第三行 人图片进行 特征提取， 生成第七行 人特征； 将所述第七行人特征分别与所述第 四行人特征、 所述第六行人特征进行相似度计算， 得到第二相似度； 根据所述第 二相似度的最大值， 从所述第四行人特征和所述第六行人特征获取第八行 人特征； 根据所述第四行人特征、 所述第六行人特征、 所述第七行人特征和所述第八行人特征 进行损失计算， 更新所述第一记忆字典和所述第二记忆字典， 并返回根据所述第三行人图 片进行特征提取， 生成第七行 人特征这一步骤。 7.根据权利要求1所述的一种无监督的行人重识别方法， 其特征在于， 所述待识别的行 人数据包括第四行人图片和对应的第三图片信息， 所述第三图片信息包括对应的所述第三 行人图片的拍摄设备信息， 所述行 人重识别网络识别后的行 人特征保存在服 务器中； 所述采用所述行人重识别网络对待识别的行人数据进行识别， 得到行人识别结果， 包 括： 从所述待识别的行 人数据中提取第九行 人特征； 对所述第九行 人特征与所述 服务器中的行 人特征进行相似度计算， 得到第三相似度； 从所述第三相似度中得到第四相似度， 所述第四相似度为所述第三相似度中的最大 值； 判断所述第四相似度是否大于预设的阈值； 若是， 将所述第九行人特征与第 一行人标签匹配， 生成所述行人识别结果并显示， 所述 第一行人标签为与第十行人特征对应的行人标签， 所述第十行人特征为所述服务器中与所 述第九行 人特征相似度最高的行 人特征； 若否， 将所述第九行人特征与第 二行人标签匹配， 生成所述行人识别结果并显示， 所述 第二行人标签为新设置行 人标签。 8.一种无监 督的行人重识别系统， 其特 征在于， 包括： 行人数据获取模块， 用于从ImageNet数据集中获取第一行人数据， 所述第一行人数据 包括多张第一行 人图片和对应的第一图片信息； 特征提取模块， 用于根据所述第一行 人图片进行 特征提取， 生成第一行 人特征； 特征分组模块， 用于根据所述第一图片信息对所述第一行人特征进行分组， 生成第一 特征组； 第一记忆字典初始化模块， 用于根据所述第一特 征组初始化第一记 忆字典； 特征间距调整模块， 用于根据所述第一记忆字典调整所述第一行人特征的特征间距， 生成第二行 人特征； 第二记忆字典初始化模块， 用于根据所述第二行 人特征初始化第二记 忆字典； 模型构建模块， 用于根据所述第 一记忆字典和所述第 二记忆字典构建联合记忆学习 模 型； 网络训练模块， 用于根据所述联合记忆学习模型和第二行人数据进行网络训练， 得到 行人重识别网络， 所述第二行 人数据为输入的训练集数据；权　利　要　求　书 2/3 页 3 CN 114821139 A 3